✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。

 ✅成品或者定制，扫描文章底部微信二维码。

（1）空间维度增强的多传感器联合网络架构

在复杂的工业环境中，旋转机械在不同空间位置的振动特性存在显著差异。为了充分利用来自不同空间位置传感器的信息，需要建立一种能够自适应地处理和融合这些多维空间信息的网络结构。通过引入空间特征增强模块，可以让网络模型在学习过程中自动识别和强化来自不同空间方向的关键特征信息。这个增强模块采用了多层级的特征提取策略，能够在保留原始信号细节的同时，突出那些与故障状态最为相关的特征。在融合阶段，采用自适应决策融合策略，利用可学习的权重参数来动态调整各个独立分类器对最终诊断结果的贡献程度。这种方法的优势在于，它能够根据不同工况下的数据特性自动调整融合权重，从而在噪声干扰和数据不平衡的条件下都能保持良好的诊断性能。大量实验验证表明，与单独使用某一传感器相比，多传感器融合方法在准确率和F1值指标上均有显著提升，特别是在存在外部噪声干扰的情况下，融合方法的抗干扰能力表现得更加突出。这种改进不仅仅体现在数值指标上，更重要的是增强了诊断结果的可信度和稳定性。

（2）通道注意力驱动的自适应信息融合策略

类别不平衡现象在实际故障数据中普遍存在，这使得传统的决策级融合方法在处理样本分布不均衡的情况时效果欠佳。为了应对这一挑战，需要在多传感器融合框架中引入更加精细化的特征提取和融合机制。通道注意力机制的引入使得网络能够学会对不同传感器信息的重要性进行加权处理，自动识别出对故障诊断最具判别力的传感器通道和特征维度。与简单的特征拼接或平均融合不同，这种自适应融合方法能够动态地提取关键特征，使得来自不同传感器的互补信息得到充分利用。在损失函数设计上，通过在焦点损失框架中融入最大非目标类别概率项，可以有效缓解少数类样本因权重低而被忽视的问题。这个改进使得模型在训练过程中能够更加均匀地关注各类故障样本，即使在类别严重不平衡的数据集上也能取得良好的分类效果。实验结果表明，相比传统的融合方法，改进后的自适应融合网络在同等条件下展现出更强的抗噪声能力，且在处理不平衡数据时的性能优势尤为明显，这为工业应用中的多传感器融合故障诊断提供了实用的技术保障。

（3）轻量化设计与参数优化的融合网络构建

在实际的工业部署中，许多应用场景对模型的计算效率有严格要求，因此构建参数精简但性能不打折的融合网络成为了重要课题。轻量化的多传感器融合网络通过采用可变形卷积等先进技术，在减少模型参数的同时保持甚至提升诊断精度。可变形卷积的核心优势在于其能够自适应地调整感受野大小和通道权重分配，这使得网络无需显著增加参数量就能捕捉到更复杂的特征模式。通过在损失函数中加入正则化惩罚项，可以平衡不同类别之间的差异，防止模型过度拟合于某些特征而忽视其他重要信息。在三个不同数据集上的验证结果充分证明了该模型在处理类别不平衡问题、实现网络轻量化目标以及融合多通道传感器信息等方面的有效性。这种轻量化设计不仅降低了模型的计算成本和存储空间需求，还提高了在边缘计算设备上的部署可行性，使得故障诊断系统能够更加便捷地集成到现有的工业控制系统中。

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

class SpatialEnhancementModule(layers.Layer):
    def __init__(self, units=64):
        super().__init__()
        self.dense1 = layers.Dense(units, activation='relu')
        self.dense2 = layers.Dense(units)
        self.bn = layers.BatchNormalization()
    
    def call(self, x):
        return self.bn(self.dense2(self.dense1(x)) + x)

class ChannelAttention(layers.Layer):
    def __init__(self, reduction=16):
        super().__init__()
        self.reduction = reduction
    
    def build(self, input_shape):
        channels = input_shape[-1]
        self.fc1 = layers.Dense(channels // self.reduction, activation='relu')
        self.fc2 = layers.Dense(channels)
    
    def call(self, x):
        avg_pool = tf.reduce_mean(x, axis=-2, keepdims=True)
        weights = self.fc2(self.fc1(avg_pool))
        weights = tf.nn.sigmoid(weights)
        return x * weights

class MultiSensorFusionNetwork(keras.Model):
    def __init__(self, num_classes=4):
        super().__init__()
        self.sensor_branches = []
        for _ in range(3):
            self.sensor_branches.append(keras.Sequential([
                layers.Dense(128, activation='relu'),
                layers.Dropout(0.3),
                SpatialEnhancementModule(128),
                layers.Dense(64, activation='relu')
            ]))
        
        self.channel_att = ChannelAttention()
        self.fusion_layer = layers.Dense(128, activation='relu')
        self.bn_fusion = layers.BatchNormalization()
        self.classifier = keras.Sequential([
            layers.Dense(64, activation='relu'),
            layers.Dropout(0.4),
            layers.Dense(32, activation='relu'),
            layers.Dense(num_classes, activation='softmax')
        ])
        self.adaptive_weights = tf.Variable(tf.ones(3) / 3, trainable=True)
    
    def call(self, inputs, training=False):
        sensor_outputs = []
        for i, branch in enumerate(self.sensor_branches):
            sensor_outputs.append(branch(inputs[i], training=training))
        
        sensor_outputs = tf.stack(sensor_outputs, axis=1)
        attended = self.channel_att(sensor_outputs)
        
        weights = tf.nn.softmax(self.adaptive_weights)
        fused = tf.reduce_sum(attended * tf.reshape(weights, [1, 3, 1]), axis=1)
        
        fused = self.bn_fusion(self.fusion_layer(fused), training=training)
        output = self.classifier(fused, training=training)
        
        return output

def generate_synthetic_data(n_samples=1000, n_features=50):
    X1 = np.random.randn(n_samples, n_features)
    X2 = np.random.randn(n_samples, n_features)
    X3 = np.random.randn(n_samples, n_features)
    y = np.random.randint(0, 4, n_samples)
    
    for i in range(n_samples):
        if y[i] == 0:
            X1[i] += 1.5
        elif y[i] == 1:
            X2[i] += 1.5
        elif y[i] == 2:
            X3[i] += 1.5
        else:
            X1[i] += 0.8
            X2[i] += 0.8
    
    return (X1, X2, X3), y

sensors_data, labels = generate_synthetic_data(2000)
scaler = StandardScaler()
sensors_data = tuple(scaler.fit_transform(s) for s in sensors_data)

train_idx, test_idx = train_test_split(range(len(labels)), test_size=0.2)
train_data = tuple(s[train_idx] for s in sensors_data)
test_data = tuple(s[test_idx] for s in sensors_data)
train_labels = labels[train_idx]
test_labels = labels[test_idx]

model = MultiSensorFusionNetwork(num_classes=4)
model.compile(
    optimizer=keras.optimizers.Adam(learning_rate=0.001),
    loss=keras.losses.SparseCategoricalCrossentropy(),
    metrics=['accuracy']
)

history = model.fit(
    train_data, train_labels,
    batch_size=32, epochs=50,
    validation_split=0.2, verbose=0
)

test_predictions = model.predict(test_data)
test_accuracy = np.mean(np.argmax(test_predictions, axis=1) == test_labels)
print(f"Test Accuracy: {test_accuracy:.4f}")

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='Train Loss')
plt.plot(history.history['val_loss'], label='Val Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(history.history['accuracy'], label='Train Acc')
plt.plot(history.history['val_accuracy'], label='Val Acc')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.tight_layout()
plt.show()

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇