多年行业经验
专业优秀团队
一站式出版服务多年行业经验
专业优秀团队
一站式出版服务多年行业经验
专业优秀团队
一站式出版服务多年行业经验
专业优秀团队
一站式出版服务多年行业经验
专业优秀团队
一站式出版服务
您的位置：首页>期刊>工程技术论坛
{/pboot:if} 《工程技术论坛》是一本关注工程技术最新研究进展的国际开源中文期刊，刊登的内容主要面向工程管理跟工程技术，反映国内外工程建设领域的高新技术应用模式和工程管理的新理论、新方法，服务于工程建设各阶段的管理工作，提升工程建设管理水平和从业人员素质。
期刊范围:建设经济与管理、城乡建设管理、项目管理、技术创新、施工技术、电力技术、工程技术、预算与造价，房地产经济与管理、建设工程研究施工组织与管理，工程项目招投标与合同管理，工程建设监理等。
本刊是一本由同行评审的高要求、高水准的学术期刊出版物，编者鼓励与本刊相关的、有理论和实践贡献的来稿
文稿严禁抄袭，一律文责自负。
上海工程技术大学，上海市，200335；
摘要：为解决齿轮故障诊断中传统方法依赖手工特征、泛化性差及深度学习需海量数据的难题，提出融合多策略信号增强与轻量化CNN的无预处理方法。以6类齿轮故障的31个原始振动样本为对象，经TSA消除转速波动后，通过多策略增强将训练样本从25个扩充至100个，设计适配单CPU的轻量化CNN并优化训练效率，构建平衡样本模型解决类别不均衡问题，且与手工特征SVM、RF对比。实验表明，该模型单CPU训练30轮验证准确率达90-100%，平衡样本模型测试准确率87.10%，鲁棒性优于非平衡模型，且性能显著优于SVM、RF；10次分层5折交叉验证平均准确率35.2%，平均macroF1 0.182，提示样本量制约泛化性。该方法无需手工特征提取，在小样本、低资源场景下兼具高精度与实用性，为工业齿轮故障诊断提供高效解决方案。
关键词：齿轮箱故障诊断；小样本学习；轻量化CNN
参考文献
[1]陈超.基于CNN与迁移学习的行星齿轮箱故障诊断研究[D].盐城：盐城工学院，2025.
[2]蔺思玮，徐志科.信息融合的改进SVM风电齿轮箱故障诊断方法[J].南京航空航天大学学报(自然科学版),2025,57(3):509-516.
[3]孙晓，李军，王磊.轻量化CNN在齿轮箱故障诊断中的应用[J].制造业自动化，2025,47(3):123-127.
