基于轻量化孪生网络的小样本轴承故障诊断

摘要

针对轴承状态实时监测中故障样本稀缺的问题，提出一种轻量化孪生网络框架，以实现小样本条件下的高效故障诊断。采用连续小波变换对一维振动信号进行预处理，有效抑制噪声并提取关键时频特征，将信号映射为二维时频图。基于度量学习构建正负样本对，实现小样本数据的增强与泛化能力提升。在模型设计上，采用MobileNetV3S作为主干网络构建孪生结构，引入ECA通道注意力机制以降低模型复杂度并强化关键特征提取；结合深层Bneck模块的跳跃连接，优化深层特征的信息传递路径；最终以全局平均池化替代全连接层，进一步压缩参数量与计算开销。实验结果表明，所提方法在样本极度有限的条件下仍可实现91.67%的故障识别精度，参数量仅为1.16 M,计算量为0.05 GFlops,在诊断准确性、模型轻量化和实时性方面均展现出优异性能。

关键词

轴承诊断 / 小样本 / 孪生网络 / 轻量化