机床与液压

作者：王子云，杨旭东，孙栋

单位：贵州大学机械工程学院；贵州大学机械工程学院；贵州理工学院机械工程学院

关键词：轴承故障诊断;小样本学习;条件扩散模型;神经网络

基金：贵州省科技计划项目(黔科合成果\[2023\]一般812)；2023年度省工业和信息化发展专项资金科技创新项目（202308）

针对工业场景中轴承故障数据稀缺导致诊断模型训练不足的问题，提出一种面向小样本条件基于1D-SE-CDM的1DCNN-KAN故障诊断方法，旨在提高轴承故障的诊断效率。采用改进的条件扩散模型1D-SE-CDM生成新的一维振动数据，并引入多尺度香农熵作为损失函数，以充分利用小样本数据，获得高质量且具备多样性的数据。将生成的数据输入1DCNN-KAN网络，利用其双通道结构和嵌入注意力机制进行故障诊断，从而进一步提升诊断准确性。最后，通过CWRU滚动轴承数据集进行实验验证。结果表明：1D-SE-CDM生成的信号与原始数据高度相似，加入生成数据后诊断准确率显著提升，仅添加每类10个生成样本即从89.8%提高至99.2%，样本增至40个时可达100%；1D-SE-CDM在相同条件下优于其他生成模型，诊断准确率最高且波动小；1DCNN-KAN诊断网络同样优于对比模型；极端小样本测试中，即使每类仅用1个原始样本生成数据，加入生成样本后最高准确率仍可达95%，较仅使用原始样本提升5.2%。该方法对一维振动信号的小样本故障诊断具有一定的理论价值与应用潜力。

来源：2026年第4期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第4期