一种基于信号融合和轻量化神经网络的轴承故障诊断方法

滚动轴承对机械系统的可靠运行至关重要。然而，在复杂工况下准确高效地识别故障仍是一项重大挑战。本发明提出一种专为工业边缘计算设计的轻量级高精度诊断框架，具体引入了多通道数据融合方法GADFMap。首先采用小波分包分解提取三个峭度值最高的子带信号，经加权组合生成新信号。随后采用格拉姆角差场对信号进行编码，实现多模态传感器数据的有效融合。同时通过在MobileNetV3‑Small模型中集成高效通道注意力（ECA）模块，开发出改进型轻量级诊断网络EMNV3。该改进在降低模型参数与计算复杂度的同时，增强了模型对关键特征的聚焦能力。实验验证表明，相较于主流模型，本方案通过GADFMap与EMNV3模型实现更高诊断精度，同时具备更少参数与更低计算复杂。