机床与液压

作者：邓兴超，朱冠华，张清华，张发振，赵乾惠

单位：吉林化工学院信息与控制工程学院;广东石油化工学院自动化学院；广东石油化工学院自动化学院；广东石油化工学院自动化学院；吉林化工学院信息与控制工程学院；吉林化工学院信息与控制工程学院

关键词：故障诊断;轻量化;多输入多尺度;多头注意力块;小样本;跨工况

基金：国家自然科学基金重点项目（61933013）

针对轴承故障诊断中存在的训练数据不充分、模型泛化能力差以及计算复杂度大等问题，提出一种基于轻量化卷积神经网络的小样本跨工况轴承故障诊断方法。采用原始振动信号与量纲一量辅助数据集的并行输入方式，搭建基于深度可分离卷积的多输入多尺度（M2）特征提取架构，避免了仅使用原始振动信号可能导致的特征不充分问题。此外，提出一种多头注意力块（MHA Block），以提升训练效率和诊断性能。最后，通过迁移学习技术实现了基于小样本的跨工况诊断，并在凯斯西储大学数据集上进行实验验证。结果表明：所提方法在源域下的平均诊断精度达99.8%，且模型参数量和模型大小仅分别为28 789和540.5 kB；在小样本跨工况迁移诊断中，采用100个样本进行训练、500个样本进行测试，平均诊断精度高达99.3%；文中所提方法能够在低计算量条件下，实现高准确率与良好的泛化性能。

来源：2025年第7期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第7期