MPNet：旋转机械轻量化故障诊断模型详解python代码复现

目录

一、问题背景与挑战

二、MPNet核心架构

2.1 多分支特征融合模块（MBFM）

2.2 残差注意力金字塔模块（RAPM）

2.2.1 空间金字塔注意力（SPA）

2.2.2 金字塔残差块（PRBlock）

2.3 分类器设计

三、关键技术突破

3.1 多尺度特征融合

3.2 轻量化设计策略

3.3 抗噪声机制

四、实验结果分析

4.1 数据集说明

4.2 性能对比（自建数据集）

4.3 抗噪性能（-6dB强噪声）

4.4 消融实验

五、应用部署方案

5.1 工业部署流程

5.2 嵌入式部署性能

5.3 实际应用场景

六、创新点总结

---

 

一、问题背景与挑战

旋转机械（如轴承、托辊）是工业系统的核心组件，其故障会导致严重事故。传统诊断方法存在三大痛点：

1. ​测量限制​：振动信号需接触测量，红外热成像成本高
2. ​噪声干扰​：工业现场噪声淹没故障特征（信噪比低至-6dB）
3. ​实时性要求​：现有深度学习模型参数量大（ResNet18达11M
4. ），难以部署