一、研究背景与挑战

轴承作为旋转机械的核心部件，其健康状态直接影响设备运行的安全性和可靠性。传统的故障诊断方法（如振动分析、油液检测）依赖人工经验，效率低且易受主观因素影响。近年来，基于深度学习的数据驱动方法凭借强大的特征提取能力，成为轴承故障诊断的主流方案。然而，现有方法普遍存在以下痛点：

高计算成本：复杂模型（如VGG、ResNet）参数量大，难以在工业边缘设备部署。
抗噪声能力弱：工业现场采集的振动信号常伴随强噪声，传统模型易受干扰。
领域适应性差：模型在工况变化（如负载突变）时性能急剧下降。

二、LEFE-Net核心原理与创新

1. 模型架构

LEFE-Net由振动特征提取器（VFE）、特征图处理器（FMP）和分类器三部分组成，整体架构如下图所示：

1）振动特征提取器（VFE）

功能：将原始振动信号转换为多通道特征图。
实现：采用一维卷积（1-D CNN），逐步扩大通道数（8→16→32→64），捕捉不同频率的振动模式。
公式：VFE输出=ReLU(Conv1D(X,K=9,Cout))其中X为输入信号（形状：1024×1），Cout为输出通道数。

（2）特征图处理器（FMP）

功能：通过轻量化卷积和注意力机制优化特征表达。
核心模块：
1. Split CNN：将输入特征图按通道分组，对每组独立卷积后融合。
2. 空间注意力机制（SAM）：通过像素相关性加权特征图。
3. 动态权重调整：类似动态卷积，自适应分配卷积核权重。

SAM architecture.

公式：SAM输出=Softmax(zc)⊙Conv2D(X)其中zc为通道权重，⊙表示逐元素相乘。

（3）分类器

功能：将优化后的特征映射到故障类别。
实现：两层全连接网络（FC），激活函数分别为ReLU和SoftMax。

2. 创新点

轻量化设计
- 特征图分割：将输入特征图按通道分组卷积，减少参数量（对比传统2-D CNN，参数减少50%）。
- 动态权重分配：通过注意力机制抑制冗余特征，提升计算效率。
强鲁棒性
- 抗噪声能力：在SNR=-4dB噪声下，准确率仍达94.12%（对比VGG16的9.66%误差）。
- 领域适应：通过批量归一化（BN）标准化特征分布，跨负载场景准确率提升20%+。
高效推理
- 单次预测耗时<1ms（RTX 2060 GPU），满足工业实时性需求。

三、核心代码实现（PyTorch）

import torch.nn as nn
import torch.nn.functional as Fclass LEFE_Net(nn.Module):def __init__(self, num_classes=10):super(LEFE_Net, self).__init__()# 振动特征提取器（VFE）self.vfe = nn.Sequential(nn.Conv1d(1, 8, 9, padding=4),nn.ReLU(),nn.Conv1d(8, 16, 9, padding=4),nn.ReLU(),nn.Conv1d(16, 32, 9, padding=4),nn.ReLU(),nn.Conv1d(32, 64, 9, padding=4),nn.ReLU())# 特征图处理器（FMP）self.fmp = nn.Sequential(SplitCNN(64, 8),  # 分组数=8SplitCNN(64, 8),SplitCNN(64, 8),SplitCNN(64, 8))# 分类器self.classifier = nn.Sequential(nn.Linear(64 * 64, 256),nn.ReLU(),nn.Linear(256, num_classes))def forward(self, x):# x: [B, 1, 1024]x = self.vfe(x)          # [B, 64, 64]x = self.fmp(x)          # [B, 64, 64]x = x.view(x.size(0), -1) # [B, 64 * 64]x = self.classifier(x)   # [B, num_classes]return xclass SplitCNN(nn.Module):def __init__(self, in_channels, groups):super(SplitCNN, self).__init__()self.groups = groupsself.convs = nn.ModuleList([nn.Conv2d(in_channels//groups, in_channels//groups, (3,3), padding=1)for _ in range(groups)])self.sam = SAM()self.bn = nn.BatchNorm2d(in_channels//groups)self.relu = nn.ReLU()self.maxpool = nn.MaxPool2d(2)def forward(self, x):# x: [B, C, H, W]split_x = torch.split(x, self.groups, dim=1)outputs = []for conv in self.convs:outputs.append(conv(split_x.pop(0)))x = torch.cat(outputs, dim=1)x = self.sam(x)          # 空间注意力x = self.bn(x)x = self.relu(x)x = self.maxpool(x)return xclass SAM(nn.Module):def __init__(self):super(SAM, self).__init__()def forward(self, x):# x: [B, C, H, W]avg_pool = F.avg_pool2d(x, (H,W))  # 全局平均池化attn = torch.sigmoid(avg_pool)return x * attn.unsqueeze(2).unsqueeze(3)