基于融合图形差分场和改进型高效能网络的齿轮箱故障诊断

冯鹏帆; 郝如江; 尚腾龙; 娄海洋; 王天池; 姚勃羽

doi:10.12404/j.issn.1671-1815.2501240

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (3) :1038-1045 DOI: 10.12404/j.issn.1671-1815.2501240

论文：机械、仪表工业

基于融合图形差分场和改进型高效能网络的齿轮箱故障诊断

作者信息 +

Gearbox Fault Diagnosis Based on MDF and Improved EfficientNet

Author information +

文章历史 +

摘要

为解决当前齿轮箱故障在复杂工况下诊断困难的问题,提出了一种融合图形差分场(motif difference field,MDF)与改进型高效能网络(EfficientNet)的齿轮箱故障诊断方法。首先将原始故障特征信号通过图形差分场将一维数据转换为二维特征图像,然后将二维特征图像输入到以高效能网络为框架、结合CA(coordinate attention)注意力机制、通道级联操作、通道混洗操作及分组卷积等对其进行优化的神经网络中进行故障诊断,提升特征提取及表达的能力,提高齿轮箱故障诊断的准确率。实验结果表明,本文方法适用于复杂工况的齿轮箱故障诊断,故障识别准确率可达98.9%。在添加了信噪比为-10 dB的高斯白噪声下其识别准确率也可达到90%以上。

Abstract

A method that integrates the motif difference field (MDF) with an improved EfficientNet was proposed for gearbox fault diagnosis to address the difficulty of diagnosing gearbox faults under complex operating conditions. Firstly, the original fault feature signal was transformed from one-dimensional data into a two-dimensional feature image by using the motif difference field. Then, the two-dimensional feature image was input into a neural network that was based on the EfficientNet framework. This network was further optimized by incorporating the coordinate attention (CA) mechanism, channel concatenation operations, channel shuffle operations, and group convolutions to enhance its feature extraction and expression capabilities, thereby improving the accuracy of gearbox fault diagnosis. In line with the experimental results, the proposed method is shown to be suitable for diagnosing gearbox faults under complex operating conditions, with a fault recognition accuracy being achieved of up to 98.9%. Moreover, the recognition accuracy can still be reached of over 90% even when Gaussian white noise with a signal-to-noise ratio of -10 dB is added.

Graphical abstract

关键词

故障诊断 / 高效能网络 / 图形差分场 / 齿轮箱

Key words

fault diagnosis / EfficientNet / graphical difference field / gear box

引用本文

引用格式 ▾

冯鹏帆, 郝如江, 尚腾龙, 娄海洋, 王天池, 姚勃羽. 基于融合图形差分场和改进型高效能网络的齿轮箱故障诊断[J]. 科学技术与工程, 2026, 26(3): 1038-1045 DOI:10.12404/j.issn.1671-1815.2501240

FENG Peng-fan, HAO Ru-jiang, SHANG Teng-long, LOU Hai-yang, WANG Tian-chi, YAO Bo-yu. Gearbox Fault Diagnosis Based on MDF and Improved EfficientNet[J]. Science Technology and Engineering, 2026, 26(3): 1038-1045 DOI:10.12404/j.issn.1671-1815.2501240

登录浏览全文

4963

注册一个新账户忘记密码

在现代化工业设备中,齿轮箱仍作为其核心组件被广泛应用,其工作环境复杂,其中的轴承和齿轮常在高速重载下运行,极易发生故障,故齿轮箱的稳定性和可靠性直接关系到工业生产效率,甚至可能影响到人员的生命安全。传统的齿轮箱故障诊断方法主要依赖于人工检查和维护,这种方法不仅效率低下,而且难以及时发现早期的故障征兆。因此,开发一个既高效又精确的齿轮箱故障诊断系统对于现代工业生产具有重大的意义^[1]。

多年来随着传感器技术、信号处理技术及深度学习的发展,越来越多的中外研究学者将其应用于故障诊断领域,已经可以实现对齿轮箱运行状态的检测与分析。中外研究学者们开发了许多故障特征提取方法,如傅里叶变换、包络谱分析、幅值谱分析,这些方法能够从复杂的信号中提取出故障特征信号。同时,卷积神经网络、支持向量机、随机森林算法等学习算法也被广泛应用于齿轮箱故障诊断中,提高了故障识别的准确性和可靠性。卷积神经网络相较于后两者采用局部感受野与权值共享大大降低了模型的复杂度,近年来发展迅速。王洋洋等^[2]提出了一种一维卷积神经网络结构,实现了“端到端”的故障诊断;韩争杰等^[3]提出的结合通道注意力机制的残差神经网络 (squeeze-and-excitation-residual-neural network,SE-ResNet)模型和结合卷积块注意力模块的残差神经网络(convolutional block attention module-residual neural network,CBAM-ResNet)模型,通过实验显示改进模型的准确率明显优于原始的残差神经网络(residual neural network,ResNet)模型;杨青松等^[4]提出了将结合通道注意力模块的轻量化神经网络(shuffle-efficient channel attention net,Shuffle-ECANet)网络模型用于齿轮箱故障诊断领域,通过更换激活函数增强模型非线性变换能力,嵌入高效通道注意力模块提高网络性能。郑心成等^[5]提出了一种基于优化辛几何模态分解与改进残差神经网络(residual neural network,ResNeXt)神经网络相结合的齿轮箱故障诊断模型。随着近年来研究的深入,故障识别准确率在随之提高,而网络模型的复杂度也在随之提高,所需时间也越来越长,故难以在实际工程实践中运用。因此,开发一种高效能的神经网络具有重要的实践意义。

现提出一种融合图形差分场与改进型高效能网络的齿轮箱故障诊断方法。将采集到的齿轮箱故障特征数据输入到融合图形差分场中得到故障特征图,再将所得故障特征图输入到以高效能网络为框架、结合CA(coordinate attention)注意力机制、通道级联操作、通道混洗操作及分组卷积等对其进行优化后的神经网络中完成故障诊断。

1 基础理论

1.1 图形差分场

相比于递归图(recurrence plots, RP) ^[6]、马尔可夫变迁场(Markov transition field, MTF)^[7]等时间序列转二维图像方法,经过图形差分场^[8]变换而来的特征图不仅能够清晰地反映不同故障类型的特点,还能较为完整地保留数据的时间特性和非线性特征,该方法在实际应用和运算中更加简便。故运用图形差分场将时间序列数据转换为二维图像。具体的流程如下:

(1)根据时间序列X,得到图形集M_dⁿ 为

(1)$M_{d}^{n}=\left\{M_{(d, s)}^{n} ; s=1,2, \cdots, t-(n-1) d\right\}$

(2)$\begin{aligned} M_{(d, s)}^{n}= & {\left[x_{t} ; t=s, s+d, s+2 d, \cdots,\right.} \\ & s+(n-1) d] \end{aligned}$

式中:s相当于一个时间窗口;d相当于步长(时移);t相当于移动窗口(有n个时刻点),共有n×d_max个图形为

(2)将相邻图形集相减得图像差分集dM_dⁿ为

(3)$d M_{d}^{n}=\left\{d M_{(d, s)}^{n} ; s=1,2, \cdots, t-(n-1) d\right\}$

(4)$\begin{aligned}d M_{(d, s)}^{n}= & \left\{x_{(s+d)}-x_{s}, x_{(s+2 d)}-x_{(s+d)}, \cdots,\right. \\& \left.x_{[s+(n-1) d]}-x_{[s+(n-2) d]}\right\}\end{aligned}$

得到(n-1)d_max个图像差分集;生成n-1个通道的差分图像。

(3)定义新序列I_(d,s)ⁿ,通过补零操作使得序列长度一致,从而实现图像差分集的矩阵运算。

(5)$I_{(d, s)}^{n}=\left\{\begin{array}{ll}d M_{(d, s)}^{n}, & 1 \leqslant s \leqslant N-(n-1) d \\0, & N-(n-1) d<s \leqslant N-(n-1)\end{array}\right.$

(4)定义图像差分场为

(6)$\mathrm{MDF}^{n}=\left\{I_{1}^{n}, I_{2}^{n}, \cdots, I_{d_{\max }}^{n}\right.$

式(6)中:I_dⁿ代表步长d对应的n-1个序列集,这样图形差分场即可生成对应的n-1个通道图像。

(5)针对第i个通道,定义图像序列为

(7)$\begin{aligned}G_{i}^{n}= & {\left[\vec{I}_{1}^{n}(i), \vec{I}_{2}^{n}(i), \cdots, \vec{I}_{d}^{n}(i), \cdots, \vec{I}_{d_{\max }}^{n}(i)\right]^{N} } \\& 1 \leqslant i \leqslant n-1\end{aligned}$

(8)$\begin{aligned}\vec{I}_{d}^{n}(i)= & {\left[\vec{I}_{(d, 1)}^{n}(i), \vec{I}_{(d, 2)}^{n}(i), \cdots,\right.} \\& \left.\vec{I}_{(d, T-n+1)}^{n}(i)\right]^{N}, \quad 1 \leqslant i \leqslant n-1\end{aligned}$

式中:

I → n (d, 1)

(i)为第i个通道的新序列I_(d,s)ⁿ。

(6)填补G_iⁿ中的零元素,定义MDF图像的每一个通道为

(9)$\mathrm{IMG}_{i}^{n}=G_{i}^{n}+K^{n} \odot G_{i}^{\prime n}$

(10)$K^{n}=\left\{\begin{array}{ll}0, & 1 \leqslant s \leqslant N-(n-1) d \\1, & N-(n-1) d<s \leqslant N-(n-1)\end{array}\right.$

式中:G_iⁿ为图像序列;G_i^'n由G_iⁿ旋转180°而来;☉为哈达玛积。

最终实现时间序列到图像的转换。

1.2 CA注意力机制

CA^[9]注意力机制将原有的通道注意力分解为两部分,在宽度和高度两个方向分别进行全局平均池化,便可沿高度和宽度两个方向分别保存精确信息。假设输入进来的特征层的形状为[C, H,W],其中C为通道数,H为特征图高度,W为特征图宽度;将二维全局平均池化操作拆分为两个一维平均池化;在分别经过高和宽方向的平均池化后,获得的特征层shape为分别为[C,1,W]与[C,H,1],此时将特征映射到高维度上,并将两个方向上的特征信息进行合并,将宽度和高度上的特征映射到同一个维度,接着用1×1卷积变换函数来融合这些特征信息,获得特征层为[C,1,H+W],利用卷积+标准化+激活函数获得特征。之后再将宽高分开成为[C,1,H]和[C,1,W]并进行转置。获得两个特征层[C,H,1]和[C,1,W]。然后通过两个1×1卷积变换函数后,经sigmoid激活函数,则可获得到在宽度和高度维度上的特征图G^W和G^H。最后,将输入的特征图F与这两个维度上的特征图G^W和G^H进行逐元素相乘操作,实现特征的融合,这一过程增强了模型对特征的捕捉能力,使得网络能够更加准确的对特征进行提取,得到CA模块的增强特征表达式为Y=F×G^H×G^W。CA注意力机制如图1所示。

1.3 分组卷积

分组卷积是先将输入特征图先进行分组再进行卷积的操作,这一方法可以降低计算的参数量,具体流程如图2所示。

基于相同输入输出的情况下,标准卷积中上一层的输出特征图均会经过标准卷积输入到下一层中,故标准卷积操作的计算参数量为

(11)$Q_{1}=D_{\mathrm{k}} \times D_{\mathrm{k}} \times M \times N \times D_{\mathrm{f}} \times D_{\mathrm{f}}$

式(11)中:D_k×D_k为卷积核大小;M为输入通道数;N为输出通道数;D_f×D_f为特征图大小。

分组卷积对输入特征图进行分组,卷积核只与同组故障特征图进行卷积操作,故分组卷积的参数量为

(12)$Q_{2}=D_{\mathrm{k}} \times D_{\mathrm{k}} \times \frac{M}{G} \times N \times D_{\mathrm{f}} \times D_{\mathrm{f}}$

式(12)中:G为分组数。

通过式(12)可知,基于相同输入输出的情况下,分组卷积的参数量为普通卷积的参数量的1/G,随着分组数即G的增加,参数量也会随之降低。此外,Krizhevsky等^[10]指出分组卷积不仅减少了模型的训练参数数量,还有效降低了过拟合的风险,提高了泛化能力。

1.4 通道混洗

分组卷积在卷积操作过程中不同组之间没有信息交流,故减弱了卷积操作过程中学习特征信息的能力。因此,将输入特征矩阵进行分组得到对应特征矩阵后通过CS (channel shuffle) 通道混洗^[11]对所得特征矩阵进行混洗操作,打破组与组织间的约束,将不同组的特征图重新分组,这样便可在不增加计算量的情况下,使得不同组彼此之间实现信息交流,实现了通道信息融合^[12]。设输出层特征图分为G组,每组有W个通道输入特征,具体流程如图3所示。

2 特征提取网络模型

相较于传统神经网络一般只针对模型的深度或宽度进行优化,而高效能网络将网络深度、宽度和特征图分辨率这3方面按一定比例进行优化设计,可以使得网络训练更加顺畅,提升模型的准确率。因此选取EfficientNet-B0神经网络模型^[13]为基础,为进一步提升模型识别复杂工况下齿轮箱故障特征的准确性,在对其进行改进,设计了用于复杂工况下齿轮箱故障诊断的CA-Efficientnet-GCS(coordinate attention- efficientnet-group convolution channel shuffle)模型。对网络模型主要做了以下改进。

(1)SE注意力机制是将高维的故障特征图压缩为低维的故障特征向量,从而捕捉通道内的故障特征。这一过程丢失了空间位置信息,从而影响了模型识别的准确率。针对这一问题将MBConv模块中DW(depthwise separable convolutions)卷积之后原有的SE注意力机制替换成CA注意力机制。这样便可以利用CA注意力机制既可以获得通道间的长期依赖关系又能保留位置信息,也可以使网络关注的区域更大,缓解了2维全局池化造成的位置信息丢失,而且还不会产生大量的计算参数。因此,本文中将SE注意力机制替换为CA注意力机制。优化模型的运算效率,提高准确率。

(2)受shufflenetV2^[14]下采样模块的启发在捷径分支上增加1次3×3深度卷积操作和1次1×1单位卷积操作,后发现参数数量上升将1次1×1单位卷积操作改为分组卷积(group convolution,GC),效果较为明显。

(3)在MBConv模块中,其主分支与捷径分支通过通道加和来进行连接,将通道加和换为通道级联使得输出特征通道数为输入特征的2倍,通过扩大输出特征的宽度,进一步增强网络模型的特征学习能力。

(4)在MBConv模块中各个通道间并没有特征信息的交流,减弱了卷积操作过程中学习特征信息的能力,故我们在通道练级之后加入通道混洗,就实现了特征图之间的通道信息融合,进一步提升了网络性能。

改进后的CA- Efficientnet-GCS特征提取网络模型结构示意图如图4所示。

如图4所示,基于CA-EfficientNet-GCS的复杂工况下识别齿轮箱故障特征智能分类识别过程如下:首先,将经过图像差分场处理的齿轮箱故障特征图输入到CA-EfficientNet-GCS网络中。接着,通过第一层卷积操作,后经过4个改进后的MBConv模块进一步提取齿轮箱故障特征信息,最后,通过全连接层得到齿轮箱故障特征图像识别的结果。

3 实验结果及分析

3.1 实验数据

为了验证本文方法的可行性,采用动力传动故障诊断综合实验台 ( drivetrain dynamics simulator,DDS) 如图5所示进行验证。

实验台由驱动电机、齿轮箱、励磁制动器等组成。其内部结构图如图6所示。驱动电机为实验提供所需动力,通过合适传动比满足齿轮箱的驱动需求,其特定区域装有信号传感器,励磁制动器按实验要求提供合适载荷,各部分间由联轴器连接。

为方便采集实验数据,本次实验直接在平行轴齿轮箱中更换故障齿轮或轴承且均安装在中间轴,如图7所示,轴承型号为Rexnord ER16K,平行轴齿轮箱中各齿轮参数如表1所示。

驱动电机转频设为35 Hz,齿轮箱中使用平行齿轮,信号采集频率设为12.8 kHz。数据采集系统包括加速度传感器,采集仪以及驱动软件等。本次验证实验选择八种齿轮箱状态,分别为齿轮齿面磨损、轴承内圈故障、齿轮缺齿、齿根断齿、齿根裂纹、轴承外圈故障、轴承滚子磨损和正常。部分波形如图8所示。

3.2 数据集构建

引入图形差分场技术分别对齿轮齿面磨损、轴承内圈故障、齿轮缺齿、齿根断齿、齿根裂纹、轴承外圈故障、轴承滚子磨损和正常8种齿轮箱状态下的数据进行运算,将每1 024个采样点组成一个样本进行图形差分变换, 部分故障特征图如图9所示。

综上所述,8种状态下的图形差分场图谱均存在较为明显的差异,为后续的故障诊断提供了可行性。将经图像差分场生成的故障特征图构建数据集,其中每种故障类型包含250个图像样本,共2 000个样本,再将已构建的数据集按照7∶3的比例划分为训练集与测试集,如表2所示。

3.3 方法验证

采用基于python语言的Tensorflow+Keras框架搭建虚拟环境。计算机配置为: 英特尔酷睿i9-14900HX处理器,英伟达GeForce RTX4060显卡,16 GB内存。

基于图形差分场与CA- EfficientNet-GCS特征提取网络的齿轮箱故障诊断流程如下:实验将所构建好的数据集输入到构建好的网络模型中。训练前,先将设置训练参数为:学习率为0.000 1,训练最大轮数为100轮,训练优化方法为Adam,后开始训练。

模型训练结束后,训练集和测试集的分类准确率与损失值分别如图10、图11所示。迭代11次后准确率可达98.3%,损失值趋向于0。结果说明,CA-EfficientNet-GCS特征提取网络模型可以准确识别齿轮箱的不同工况下的不同故障类型。

为使故障分类效果更加明显,将测试集数据再次导入模型,绘制了混淆矩阵,如图12所示。可知,其分类准确率可达98.5%以上。由此可看出CA- EfficientNet-GCS特征提取网络模型在齿轮箱故障分类任务中,分类准确率较高。

为更直观展示CA- EfficientNet-GCS特征提取网络的故障分类性能,采用T-SNE算法( T-distributed stochastic neighbor embedding)进行训练集图像特征可视化。未经网络模型处理可视化图如图13所示,可看出在未经网络模型训练前不同故障特征间难以区分。经过网络模型训练后的可视化图如图14所示。对比图13、图14可以看出,训练集图像经过网络模型训练后不同故障易于区分,且同类故障以聚集分布。从而可得出本文网络模型能够以较高准确率识别出不同齿轮箱故障下的特征,体现了本文中网络模型的优越性。

3.4 分析讨论

实际工作环境中,不可避免地存在噪声,为更为贴合现实工作环境,进一步验证本文方法的可行性,故在原始信号的基础上分别加入了-5、-7、-10 dB的高斯白噪声。以下实验均在原始信号以及添加了-5、-7、-10 dB的高斯白噪声的信号下进行。

为了验证本文方法在齿轮箱故障诊断方面的优越性,本对图形差分场、递归图及马尔可夫变迁场这3种信号处理方法分别与本文网络模型相结合进行了对比试验,分别记为本文模型、模型1和模型2,平均结果如图15所示。

由图15可知,图形差分场与本文网络模型相结合在齿轮箱故障诊断方面的平均准确率均高于递归图与马尔可夫变迁场,其中在加入-10 dB的高斯白噪声后图形差分场与本文网络模型相结合其准确率仍可达90.8%,递归图与马尔可夫变迁场在与本文网络模型相结合后,在加入-10 dB的高斯白噪声时其准确率均低于90%,说明图形差分场与本文网络模型相结合在齿轮箱故障诊断方面具有优越性。

为检验CA注意力机制及通道级联操作和增加通道混洗对本网络模型性能的提升情况,为此我们进行消融实验。在其他条件不变的情况下,设置去除“换为CA注意力机制操作”的为 “模型 1”,去除“换为通道级联操作及增加通道混洗操作”的为“模型 2”,以及去除“在换为CA注意力机制操作”同时去除“换为通道级联操作及增加通道混洗操作”的“为模型 3”进行实验,各模型准确率如图16所示。

由图16可知,CA注意力机制及通道级联操作和增加通道混洗对本网络模型性能均有提升,但模型1与模型2对比模型3提升并不明显,说明CA注意力机制及通道级联操作和增加通道混洗同时使用对本文网络性能的提升效果更加显著。

综上所述,在原始信号和添加了高斯白噪声的信号下,本文方法故障识别准确率均好于其他对比模型,验证了本文方法的可行性。

4 结论

针对复杂工况下齿轮箱故障诊断的难题,提出了一种融合图形差分场与改进型高效能网络的齿轮箱故障诊断方法。通过实验分析,得出以下结论。

(1)实验分析表明,图形差分场与本文网络模型相结合在复杂工况下的齿轮箱故障诊断方面具有良好的效果。

(2)实验分析表明,本文所提的CA-EfficientNet-GCS特征提取网络模型可有效用于各种复杂工况下齿轮箱故障诊断,并在添加不同信噪比的高斯白噪声的工况下呈现出了较好的诊断精度,验证了网络模型的可靠性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	邓飞跃, 王红力, 高瑞洋, 等. 轮轨激励条件下轴箱轴承内圈故障振动特性分析[J]. 河北大学学报(自然科学版), 2023, 43(6): 561-570.

[2]	Deng Feiyue, Wang Hongli, Gao Ruiyang, et al. Characteristic analysis of vibration characteristics of axlebox bearing inner ring failure under wheel track excitation[J]. Journal of Hebei University (Natural Science Edition), 2023, 43(6): 561-570.

[3]	王洋洋, 唐建, 代菊英, 等. 基于1DCNN的滚动轴承故障诊断方法[J]. 机械管理开发, 2019, 34(10): 141-144, 159

[4]	Wang Yangyang, Tang Jian, Dai Juying, et al. A rolling bearing fault diagnosis method based on 1DCNN[J]. Machinery Management Development, 2019, 34(10): 141-144, 159.

[5]	韩争杰, 牛荣军, 马子魁, 等. 基于注意力机制改进残差神经网络的轴承故障诊断方法[J]. 振动与冲击, 2023, 42(16): 82-91.

[6]	Han Zhengjie, Niu Rongjun, Ma Zikui, et al. Improved residual neural network based on attention mechanism for bearing fault diagnosis[J]. Vibration and Shock, 2023, 42(16): 82-91.

[7]	杨青松, 郝如江, 范亚飞, 等. 一种改进轻量化神经网络的齿轮箱故障诊断方法[J]. 科学技术与工程, 2024, 24(7): 2699-2705.

[8]	Yang Qingsong, Hao Rujiang, Fan Yafei, et al. An improved lightweight neural network for gearbox fault diagnosis[J]. Science Technology and Engineering, 2024, 24(7): 2699-2705.

[9]	郑心成, 郝如江, 姚勃羽, 等. 优化辛几何模态分解及改进ResNeXt神经网络的齿轮箱故障诊断方法[J]. 科学技术与工程, 2025, 25(7): 2792-2799.

[10]	Zheng Xincheng, Hao Rujiang, Yao Boyu, et al. Optimisation of sin geometry modal decomposition and improved ResNeXt neural network for gearbox fault diagnosis[J]. Science Technology and Engineering, 2025, 25(7): 2792-2799.

[11]	张立峰, 王智. 基于递归图的两相流流动特性分析与流型识别[J]. 计量学报, 2022, 43(11): 1438-1444.

[12]	Zhang Lifeng, Wang Zhi. Flow characterisation and flow pattern identification of two-phase flow based on recurrence diagrams[J]. Journal of Metrology, 2022, 43(11): 1438-1444.

[13]	Sun W. Markov transition field enhanced deep domain adaptation network for milling tool condition monitoring[J]. Micromachines, 2022, 13(6): 873.

[14]	Zhang Y, Gan F, Chen X. Motif difference field:an effective image-based time series classification and applications in machine malfunction detection[C]//2020 IEEE 4th Conference on Energy Internet and Energy System Integration (EI2). New York: IEEE, 2020: 3079-3083.

[15]	Hou Q, Zhou D, Feng J. Coordinate attention for efficient mobile network design[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2021: 13713-13722.

[16]	Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90.

[17]	Zhang X, Zhou X, Lin M, et al. Shufflenet: an extremely efficient convolutional neural network for mobile devices[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2018: 6848-6856.

[18]	邓飞跃, 吕浩洋, 顾晓辉, 等. 基于轻量化神经网络Shuffle-SENet的高速动车组轴箱轴承故障诊断方法[J]. 吉林大学学报(工学版), 2022, 52(2): 474-482.

[19]	Deng Feiyue, Lü Haoyang, Gu Xiaohui, et al. Fault diagnosis method of axlebox bearings in high-speed locomotives based on lightweight neural network Shuffle-SENet[J]. Journal of Jilin University(Engineering Edition), 2022, 52(2): 474-482.

[20]	Tan M, Le Q. Efficientnet: rethinking model scaling for convolutional neural networks[C]// International Conference on Machine Learning. New York: PMLR, 2019: 6105-6114.

[21]	Zhang X, Zhou X, Lin M, et al. Shufflenet: an extremely efficient convolutional neural network for mobile devices[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2018: 6848-6856.