轻量化图卷积网络

边缘端轻量诊断

在推理阶段冻结稀疏结构和通道选择，以更少参数和计算量保持旋转机械故障诊断的高准确率，并能在嵌入式平台部署

Zhenyu, Tang · 杨大炼 · Linrong, Tan · Lei, Huang

Applied Soft Computing Journal 2026

参数信息

参数规模

0.16 M

诊断准确率（自建轴承数据集）

98.62 %

诊断准确率（OU 轴承数据集）

98.87 %

诊断准确率（XJTU 齿轮箱数据集）

99.98 %

平均内存占用

3.3 GB

平均板卡功耗

6.4 W

技术优势

推理时不做重算

训练后冻结二值稀疏掩码与硬通道门，推理只执行前向传播，省去边重打分、松弛采样、掩码更新与 Top-K 选择。

精度没掉

三个数据集上最高 99.98%，轻量化未牺牲故障识别能力。

边缘跑得动

Jetson Orin Nano 上平均 RAM 约 3.3 GB、功耗约 6.4 W，证明嵌入式部署可行。

应用场景

• 旋转机械故障诊断：用轻量图卷积在轴承、齿轮箱数据上做高精度故障分类。
• 嵌入式诊断：模型冻结稀疏结构与通道选择，可直接跑在 Jetson 上。
• 工业物联网边缘端：约 6.4 W 功耗支持在边缘节点持续做在线诊断。
• 设备健康管理：准确率不降的前提下压缩模型，适合长期设备健康监测。