获取完整数据和代码，请直接＋

kang20224

提出方法首先通过自适应拉普拉斯小波分解层，利用一组可学习的拉普拉斯小波核对原始振动信号进行多尺度卷积分解，自适应地提取包含周期性谐波与冲击成分的多尺度分量；然后构建双路径卷积网络，一条路径采用大卷积核捕获低频全局特征，另一条路径使用小卷积核提取高频局部细节，两路特征通过逐元素乘法进行融合；接着引入由全局注意力模块和局部注意力模块串联而成的多尺度注意力机制，前者以通道注意力形式强化全局上下文信息，后者利用深度可分离卷积与组归一化增强局部判别特征；最后经全局平均池化与全连接层输出故障类别。

算法步骤

采集滚动轴承振动信号，利用滑窗重叠采样将长时信号切割为固定长度的样本片段，构建小样本训练集与测试集。

设计自适应拉普拉斯小波分解层，按低频对数间隔与高频线性间隔共生成15个拉普拉斯小波核，对每个样本进行卷积分解，得到多尺度信号分量，并经批归一化后送入后续网络。

构建双路径特征提取分支：路径一采用较大卷积核与较大步幅，侧重于低频宏观振动形态；路径二采用较小卷积核、更深的层数与适当的填充，倾向于捕获高频冲击等局部特征。

将双路径输出的特征图通过逐元素乘法进行融合，形成同时携带全局与局部信息的多尺度融合特征。

将融合特征依次送入全局注意力模块与局部注意力模块：全局模块通过自适应平均池化与一维卷积生成通道注意力权重，以残差方式增强重要通道；局部模块经深度可分离卷积与组归一化产生空间维度上的局部注意力，突出故障敏感区域。

利用全局平均池化将特征压缩为向量，输入全连接层进行故障类别判别。

采用带有标签平滑的交叉熵损失函数与亚当优化器训练网络，引入早停策略防止过拟合，保存验证集上最优模型用于测试。