基于改进MobileNetV2的轻量化轴承故障诊断OA

针对现有深度学习故障诊断模型普遍计算成本、时间成本和通信成本高,轻量化模型诊断精度低、抗噪能力弱,不适宜边缘环境部署的问题,提出了一种基于连续小波变换和改进MobileNetV2的轻量化轴承故障诊断方法。通过连续小波变换将原始信号转变为时频图作为输入样本,结合高效通道注意力机制与MobileNetV2,在较低参数量与计算量的情况下,提升了模型的故障诊断精度与抗噪能力。基于凯斯西储大学轴承数据集的实验表明,该方法在2 dB信噪比下准确率可以达到98.27%,与其他模型相比,在轻量化的同时具有更好的故障诊断精度和抗噪性,更适用于边缘场景下的故障诊断。