融合振动信号与多传感器特征的轻量化改进MobileNetV3轴承故障诊断方法

《Machines》：A Lightweight Enhanced MobileNetV3 Method for Bearing Fault Diagnosis Integrating Vibration Signals and Multi-Sensor Features

　　**摘要**滚动轴承对于机械系统的可靠运行至关重要。然而，在复杂工况下准确高效地识别故障仍是一项重大挑战。本文提出了一种专为工业边缘计算设计的轻量化高精度诊断框架。具体而言，引入了一种名为GADFMap的多传感器数据融合方法。首先，利用小波包分解（WPD）提取峭度值最高的三个子带信号，对其进行加权组合以生成新信号。随后，使用格拉姆角度差分场（GADF）对所得信号进行编码，以有效融合多传感器数据。此外，通过在MobileNetV3-Small中引入高效通道注意力（ECA）模块，开发了一种改进的轻量化诊断网络——增强版MobileNetV3。该改进减少了模型参数量和计算复杂度，同时增强了模型对显著特征的聚焦能力。实验验证表明，与主流模型相比，所提方法通过GADFMap和增强版MobileNetV3模型，以更少的参数和更低的计算复杂度实现了更高的诊断精度。