机床与液压

作者：方世豪?，刘晋胜，崔得龙，周靖，刘志良

单位：广东石油化工学院电子信息工程学院；广东石油化工学院电子信息工程学院；广东石油化工学院电子信息工程学院；广东石油化工学院电子信息工程学院；中科（广东）炼化有限公司

关键词：轴承;故障诊断;小样本;变工况;数据融合;原型网络

基金：国家自然科学基金面上项目（62273109）；茂名市科技计划项目（mmkj2020033）

针对实际工业中轴承样本量少和工况不断变化导致轴承故障诊断能力弱的问题，提出一种基于多源数据融合的原型网络诊断方法——PNMF。基于信息熵加权融合方法，实现对同构原始数据的加权融合，以降低数据中的不确定性；采用提出的多尺度CGC特征提取模块来增强网络对信息特征的表示能力，并通过决策融合实现鲁棒性更强的分类能力；通过结合原型网络对数据融合模型进行优化迭代，以提高模型的泛化能力。最后，在PU和BJTU-RAO两个公开数据集上进行实验，以验证所提方法的性能。结果表明：在小样本条件下（如每类仅5个训练样本），PNMF在PU和BJTU-RAO数据集上的平均诊断准确率分别达到84.18%和84.63%，显著高于传统的原型网络、关系网络、孪生网络及普通深度学习融合模型；在变工况场景下（如载荷或转速改变），PNMF同样表现出优异的泛化能力，其在PU数据集变工况任务上的平均准确率为82.99%；t-SNE可视化结果显示，经PNMF提取的特征在低维空间中聚类明显、类别间边界清晰，证明了其强大的特征判别能力。研究为实际工业环境中数据稀缺下的设备状态监测提供了解决方案。

来源：2026年第6期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第6期