摘要
滚动轴承的智能故障诊断对于旋转机械的预测性维护至关重要。尽管深度卷积神经网络（CNN）在公开基准测试中实现了较高的准确率，但其庞大的参数数量和计算成本阻碍了其在资源受限的边缘设备上的部署。本文提出了一种频域感知的轻量级卷积神经网络（FAL-CNN），在保持具有竞争力的准确率的同时实现了极端的效率。一个固定的、不可训练的流水线（快速傅里叶变换、对数压缩、线性重采样和最小-最大值归一化）将每个包含1024个样本的振动片段转换为紧凑的128维频谱，使输入维度缩减为原来的八分之一。频域感知模块采用三个平行的核大小分别为3、7和15的一维卷积，分别对应单峰、谐波对和泛音族故障特征，随后采用深度可分离骨干网络大幅减少参数和浮点运算量（FLOPs）。所有西屋电气工程研究所（CWRU）实验均采用泄漏控制协议，包括时间块分割、样本隔离间隙和五个随机种子。在四种运行载荷条件下，FAL-CNN达到99.78%的平均准确率，仅需65,122个参数和3.88 M乘累加运算（MACs）（7.76 M FLOPs），在单CPU线程上推理时间为0.17 ms（端到端0.27 ms），ONNX模型体积仅288.8 KB。由于所有紧凑模型在全数据上的准确率均趋于饱和，我们评估了架构差异在哪里起作用：在运行载荷偏移条件下，FAL-CNN比参数匹配的普通CNN高出13.27个百分点（88.42%对75.15%）；频域掩码和归因分析证实多尺度滤波器聚焦于故障频带（定向掩码差距21.91个百分点，约为结构对照的两倍）；在10:1训练类别不平衡条件下，其宏平均F1值仍高于99.2%；在帕德博恩真实损伤基准测试中，采用轴承级嵌套验证，在未见过轴承上达到（59.86 ± 18.86）%准确率，为所比较流水线中最高的平均准确率，但与参数匹配基线的差异不具有统计显著性。这些结果表明FAL-CNN是一个紧凑的、面向边缘应用的分类器，其已验证的可行性目前仅限于开发端CPU；物理边缘设备的性能剖析仍有待完成。其验证的价值在于评估分布偏移条件下的可靠性，而非饱和的基准测试准确率。
