先进制造技术

本发明公开了基于改进轻量级深度卷积神经网络的轴承故障诊断方法，属于旋转机械设备中滚动轴承部件故障监测领域。首先将传感器采集到的振动信号划分为多个等长度的数据样本，并将其转换为图像数据，给每类样本标注故障标签，划分训练数据集和测试数据集；再将划分好的数据集用于训练构建的轴承故障诊断模型，得到预训练模型。对预训练模型剪枝，剔除模型中的冗余参数，得到轻量级模型；最后再用数据集微调剪枝后的模型，恢复模型的诊断性能，得到具有高诊断性能的轻量化模型。本发明的轴承故障诊断模型体积小，训练时间短，响应速度快，在实际工业应用中能准确，更快速的识别轴承故障。

工业设备预测性维护：该改进轻量级深度卷积神经网络通过高效提取轴承振动信号的多尺度特征，能够实现早期故障的精准识别与劣化趋势预测，为旋转机械设备的智能运维提供实时决策支持，有效避免非计划停机造成的生产损失。

风电设备状态监测：针对风机主轴轴承运行工况复杂、故障样本稀缺的特点，该方法通过小样本学习与迁移学习策略，在有限数据条件下仍能保持高诊断准确率，显著提升海上风电场远程监测系统的可靠性。

轨道交通安全保障：适配高铁轴承箱体的复合故障诊断需求，算法通过多传感器数据融合与抗干扰设计，有效区分滚动体损伤与齿轮啮合等并发故障模式，为列车走行部的安全评估提供智能化技术手段。

航空航天关键部件健康管理：在航空发动机主轴轴承监测中，该轻量化网络满足机载设备对低功耗与实时性的双重约束，通过边缘计算实现飞行过程中的持续状态评估，支撑视情维修体系的落地应用。

本发明公开了一种基于改进轻量级深度卷积神经网络的轴承故障诊断方法，该方法通过构建轻量级特征提取模块和分类模块，构建了参数量极少的轴承故障诊断模型，通过将原始一维信号转换为二维灰度图像，能够更好的提取故障数据中的复杂故障特征。与现有的技术相比，本发明可以在具有高诊断性能的前提下获得轻量级模型，降低了模型部署对监测设备的软硬件要求，加快了模型的响应速度和训练速度，实现了轴承故障的快速诊断。