多尺度卷积诊断模型

高噪声下超98%

梅尔时频处理与多分支空间金字塔卷积结合，在动态噪声环境下仍能稳定诊断旋转机械故障。

Guo, Jianbo · Wang, Shuai · Guan, Wei · 王国强 · Liu, Zhengbin · Shuwei, Wu

Nonlinear Dynamics 2025

参数信息

分类准确率

98 %

乘加运算量

0.87 G

参数量

5.40 M

技术优势

高噪声下仍准确

梅尔尺度非线性时频处理滤除多个时间序列数据集中的噪声，转换成梅尔时频灰度图，再叠加为多通道张量，抑制噪声对特征的干扰。

多尺度特征融合

在模型中嵌入多个双向空间金字塔卷积模块，捕获并整合不同尺度的故障特征，从而增强模型性能和泛化能力。

轻量化可部署

模型的乘加运算量仅0.87G，参数量5.40M，适合在计算资源有限的边缘设备上运行。

应用场景

• 工业设备健康管理：在变工况强噪声下持续给出设备状态分类，降低误判停机。
• 旋转机械故障诊断：直接从振动信号提取多尺度特征，诊断轴承与齿轮故障。
• 噪声环境传感诊断：通过梅尔时频映射抑制噪声干扰，提升特征可分性。
• 机械设备预测维护：高精度且轻量，适合嵌入实时监测系统做预测维护。