基于ADPCW-ELCNN的少样本故障诊断与特征提取机制研究

《Scientific Reports》：Research on few-shot fault diagnosis and feature extraction mechanism based on ADPCW-ELCNN

　　

摘要

针对旋转机械少样本故障诊断中因噪声掩盖的特征弱化、参数与特征之间的不匹配以及泛化效率不平衡问题，本文提出了一种自适应双参数协同小波卷积神经网络（Adaptive Dual-Parameter Collaborative Wavelet Convolutional Neural Network）。与依赖数据增强、迁移学习或盲目结构优化的现有框架不同，该网络采用了基于物理原理的、参数协同的、特征保持准确的解决方案。其核心创新包括小波尺度与卷积核长度之间的定量关联、全局-局部自适应策略以及级联非线性增强机制。在轴承和齿轮箱数据集上的实验结果表明，该模型具有9.19万个参数和0.02×10^3百万次浮点运算（FLOPs）的计算量，平均准确率达到99.98%。在样本量仅为20个且信噪比为-10 dB的条件下，该模型的F1分数仍保持在94%以上，为样本量有限的故障诊断问题提供了高效解决方案。