基于轻量化孪生网络的小样本轴承故障诊断

王庆楠, 陈倩, 李涛, 涂继辉

聊城大学学报(自然科学版) ›› 2026, Vol. 39 ›› Issue (1) : 11 -23.

PDF
聊城大学学报(自然科学版) ›› 2026, Vol. 39 ›› Issue (1) : 11 -23. DOI: 10.19728/j.issn1672-6634.2025010011

基于轻量化孪生网络的小样本轴承故障诊断

    王庆楠, 陈倩, 李涛, 涂继辉
作者信息 +

Author information +
文章历史 +
PDF

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

Key words

引用本文

引用格式 ▾
基于轻量化孪生网络的小样本轴承故障诊断[J]. 聊城大学学报(自然科学版), 2026, 39(1): 11-23 DOI:10.19728/j.issn1672-6634.2025010011

登录浏览全文

4963

注册一个新账户 忘记密码

参考文献

AI Summary AI Mindmap
PDF

0

访问

0

被引

详细

导航
相关文章

AI思维导图

/