基于多尺度特征融合的自注意力度量学习的小样本故障诊断
一、研究背景与问题
轴承是旋转机械中的关键部件，其健康状态直接影响设备运行安全。传统智能诊断方法（如深度学习）依赖大量标注数据，但在工程实践中，故障样本难以大量获取，导致模型过拟合、诊断性能下降。本文针对小样本条件下的轴承故障诊断问题，提出了一种结合多尺度特征融合（MSFF） 和自注意力机制（SA） 的度量学习模型（SAML-MSFF）。
二、模型结构与方法
1. 整体框架
模型基于孪生网络（SiameseNet）结构，主要分为三个阶段：
-
数据预处理：多方向振动信号堆叠后，通过滑动窗口（长度2048）采样生成样本，并构建样本对（同类或异类），增加训练任务量。
-
特征提取模块：采用双分支共享权重的网络，嵌入多尺度特征融合（MSFF）模块，通过并行不同尺度的卷积和池化层（步长2/4/8，卷积核16/32/64）提取多尺度特征，增强特征表达能力。
-
度量学习模块：将两个分支的特征拼接后输入包含自注意力机制（SA）的卷积网络，替代传统的欧氏距离，自适应学习样本对的相似性。