基于轻量化孪生网络的小样本轴承故障诊断
王庆楠1
陈倩2
李涛3
涂继辉4
1.怀化学院 物电与智能制造学院,湖南 怀化 4180002.上海理工大学 管理学院,上海 2000933.湖北师范大学电气与自动化学院,湖北 黄石 4350024.长江大学 电子信息与电气工程学院,湖北 荆州 434023
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
分类号：TP18(自动化基础理论)TH133.3(机械零件及传动装置)
资助基金：国家自然科学基金(62473135)湖南省教育厅科学研究项目(21C0641)武陵山农业控制湖南省重点实验室课题(ZNKZN2020-2)
论文发表日期：2026-02-25
在线出版日期：2026-08-28（本平台首次上网日期，不代表文献的发表时间）
页数：13( 11-23 )
英文信息