CN117951604A - 一种滚动轴承故障高效诊断方法及系统 - Google Patents

Abstract

本发明公开了一种滚动轴承故障高效诊断方法及系统，属于转子故障诊断技术领域；该方法包括：将滚动轴承的一维振动信号转换为灰度图，从而减少噪声信号对原始信号的干扰；构建坐标Ghostbottleneck和自适应权重模块，利用Ghost模块加速模型速度，减少参数量，加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，以此来改良图像分类的性能；通过自适应权重模块在避免花费大量计算资源的同时充分利用了相似特征图，使得模型更加全面理解输入信号。本发明可以达到较高的准确率，模型具备良好抗噪能力，同时还具备较少的参数量以及较快的诊断速度，能够高效快速准确的进行滚动轴承故障诊断。

Description

一种滚动轴承故障高效诊断方法及系统

技术领域

本发明涉及故障诊断技术领域，更具体的说是涉及一种滚动轴承故障高效诊断方法及系统。

背景技术

在现代工业系统中，机械旋转体已向高速、大规模和集成化发展，并在航空、工业生产、高速铁路中起到了至关重要的作用。滚动轴承作为机械设备中的重要零件，起到了支撑旋转体、减少摩擦以及带动传动的作用。如果轴承发生故障，将导致机械旋转体乃至整个机械设备意外停机，从而造成严重的人员伤亡和经济损失。

目前主流的滚动轴承故障诊断可以分为两种：基于故障机理的故障诊断方法和基于数据驱动的故障诊断方法。基于故障机理的诊断方法通过研究故障机理，建立动力学模型来分析损坏的轴承的振动特性。此类故障诊断方法通常需要丰富的先验知识和精准的系统模型，对于复杂系统难以实现。基于数据驱动的方法不依赖故障产生机理，可以在缺乏先验知识的情况下进行故障诊断。因此，一些经典的机器学习方法被提了出来。传统的数据驱动方法在进行轴承故障诊断之前，需要先对采集到的信号进行故障提取、特征选择等操作，这提高了对领域知识的要求。此外，由于诊断模型结构较浅，此类方法无法提取更为丰富的特征，限制了故障诊断性能。近年来，机械设备检测与故障诊断进入“大数据分析时代”。深度学习凭借着其强大的特征提取能力，受到了研究人员的广泛关注。卷积神经网络(CNN)是深度学习中最重要的模型之一。凭借着强大的特征提取能力，大大提高了故障诊断效率。然而，CNN在进行卷积操作时产生大量的冗余特征，严重浪费了设备的计算资源以及消耗了大量的时间，抗噪能力也较差；无法高效快速的进行滚动轴承故障诊断，诊断结果准确率也有待提升。

因此，如何减少诊断时间，高效快速并准确的进行滚动轴承故障诊断，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供至少解决上述部分技术问题的一种滚动轴承故障高效诊断方法及系统，具有更好的诊断效果以及更少的诊断时间，能够高效快速准确的进行滚动轴承故障诊断。

为实现上述目的，本发明采取的技术方案为：

第一方面，本发明实施例提供一种滚动轴承故障高效诊断方法，该方法包括：

获取滚动轴承运行数据，将一维振动信号转换为灰度图，并根据预设比例划分为测试集和训练集；

基于坐标Ghost bottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型；

利用划分的所述训练集对所述故障诊断网络模型进行训练，达到预设指标时保存模型；

将所述测试集输入至训练好的故障诊断网络模型，输出滚动轴承故障诊断结果。

可选的，所述将一维振动信号转换为灰度图，计算公式为：

其中，P(j,k)表示转化后的每个图像的像素值；j＝1…N，k＝1…N；round()表示取整函数，该函数将所有像素归一化至0-255之间；N表示子信号列长度，L表示信号强度。

可选的，所述基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，包括：

构建坐标Ghostbottleneck；在Ghostbottleneck中加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，优化图像分类的性能；

构建自适应权重模块，用以利用相似特征图所包含的信息；

使用两个坐标Ghostbottleneck和两个自适应权重模块作为网络主干；

令输入图像的大小为32×32，经过transform后将尺寸调整转化为224×224；

转化后的图像在经过第一个3×3卷积后进入Ghost bottleneck开始生成Ghost特征图，然后进入自适应权重模块；经过两次重复后使模型充分整合输入图像的特征；

在经过最后一层3×3卷积层和平均池化后，使用Dropout操作，Dropout参数值设定为0.5。

可选的，所述构建自适应权重模块，包括：

模块中划分为像素注意力分支、通道注意力分支和自适应权重分支；其中：

像素注意力分支包含一个1×1卷积核像素注意力块；

在通道注意力分支中，使用一个1×1卷积核和通道注意力块，并使用一个1×1卷积进行特征重组，用以与自适应权重分支进行权重融合；

在两个注意力分支中加入两个交叉结构，通过特征复用的方式来弥补不同注意力间所忽视掉的特征：

自适应权重分支利用加权求和分配像素注意力分支和通道注意力分支的权重。

可选的，利用所述训练集对所述故障诊断网络模型进行训练时，训练epoch设置为30，初始学习率设置为0.001，每个批次设置为64。

可选的，利用所述训练集对所述故障诊断网络模型进行训练时，用Softmax分类函数进行反向传播更新权重，利用Adam优化器进行优化。

第二方面，本发明实施例还提供一种滚动轴承故障高效诊断系统，应用上述的一种滚动轴承故障高效诊断方法，进行滚动轴承故障高效智能诊断，该系统包括：

数据转化模块，用于获取滚动轴承运行数据，将一维振动信号转换为灰度图，并根据预设比例划分为测试集和训练集；

故障诊断网络模型构建模块，用于基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型；

模型训练模块，用于利用划分的所述训练集对所述故障诊断网络模型进行训练，达到预设指标时保存模型；

故障诊断模块，用于将所述测试集输入至训练好的故障诊断网络模型，输出滚动轴承故障诊断结果。

与现有技术相比，本发明至少具有如下有益效果：

本发明提供了一种滚动轴承故障高效诊断方法及系统，可以用于嘈杂环境、负载变化以及混合故障条件下的故障诊断。本发明中首先将振动信号转化为二维图像，将噪音转化为图像亮度等特征，减少了噪音对原始信号的影响；基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，进行充分的特征提取，为了减少模型参数量，增强模型表征能力，本发明将坐标注意力引入Ghost bottleneck，大大降低了模型计算量。通过自适应权重模块，动态利用由卷积生成的特征来更加高效的表征输入信息。本发明克服了卷积神经网络抗噪能力差，耗费时间长的缺点，与先进神经网络GhostNet、AlexNet、ResNet34、MobileNetV3、和GoogLeNet相比，CGA-Net具有更好的诊断效果以及更少的诊断时间，能够高效快速准确的进行滚动轴承故障诊断。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明实施例提供的一种滚动轴承故障高效诊断方法原理示意图。

图2为本发明实施例提供的一维信号转灰度图原理示意图。

图3为本发明实施例提供的一维信号转灰度图结果示意图。

图4为本发明实施例提供的Ghost模块示意图。

图5为本发明实施例提供的坐标Ghost bottleneck结构示意图。

图6为本发明实施例提供的自适应权重模块结构示意图。

图7为本发明实施例提供的特征复用原理示意图。

图8为本发明实施例提供的故障诊断网络模型结构示意图。

图9为本发明实施例提供的训练策略示意图。

图10为本发明实施例提供的不同模型训练损失示意图。

图11为本发明实施例提供的不同模型的变工况准确率示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。此外，各种序号等仅用于描述目的，而不能理解为指示或暗示相对重要性。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1所示，本发明提供了一种滚动轴承故障高效诊断方法，该方法主要包括：

①.获取滚动轴承运行数据，将一维振动信号转换为灰度图，可以降低噪声的干扰；并根据预设比例划分为测试集和训练集；

②.基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型(CGA-Net网络)；

③.利用划分的训练集对故障诊断网络模型进行训练，提取轴承数据特征，利用自适应权重模块动态学习信号特征，提升网络表征能力；达到预设指标时保存模型；

④.将划分的测试集输入至训练好的故障诊断网络模型，输出滚动轴承故障诊断结果。

下面对本发明涉及的相关理论与本发明方法的具体实施方式进行详细说明：

在一个具体实施例中，通过实验设备以及传感器获得一维振动信号，然后将其转换为32×32灰度图，并根据比例将图像数据集划分为训练集和测试集。在本实施例中，将一维数据转化为灰度图(二维数据)，采取以下操作：

假设最终要得到大小为N×N的图像，则在一维振动信号上利用滑动窗口取值的方法选取N个长度为N的子信号列；

将随机选取的子信号组合，得到一条N×N的信号列。每个信号的强度记为L(i)。

将组合的信号转换为灰度图的方式如下：

其中，round()表示取整函数，该函数将所有像素归一化至0-255之间，正好为灰度图的像素值域。P表示转化后的每个图像的像素值。一维信号转换为灰度图的转换原理参见图2所示，转换结果参见图3所示。

在一个具体实施例中，基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建CGA-Net网络(故障诊断网络模型)，执行以下操作：

设计坐标Ghost bottleneck。其中，Ghostbottleneck由Ghost模块组成，传统卷积核Ghost模块结构如图4所示。Ghos模块首先通过普通的卷积生成了数量较少的内在特征图，然后通过对内在特征图进行廉价的线性运算，生成彼此之间相似的特征图，并将其称为Ghost特征图，最后将内在特征图与Ghost特征图进行融合作为新输出。

普通卷积对于输入数据其中c为输入数据的通道数，h和w为输入数据的高和宽。在经过普通卷积运算后得到的输出如下：

Y＝X*f+b

其中，*为卷积运算，f为该层中的卷积滤波器，b为卷积中的偏置，是具有n个通道的输出特征图。由此可得在该卷积过程中的FLOPs可以计算为：

FLOPs＝n·h'·w'·c·k·k

其中，k为卷积过滤器的尺寸，n为过滤器的数量，h和w分别为输出特征图的高和宽。

Ghost模块首先通过卷积生成了m张特征图，其中m＜n，接着，Ghost模块对每个内在特征图进行了一系列的廉价的线性运算，使每个内在特征图生成s张ghost特征图，从而将特征图拓展为n张,其中n＝m·s。每个线性运算的平均核尺寸为d，线性运算的个数为m。由此可得Ghost module所需的FLOPs可计算为：

Ghost模块相对于普通卷积的加速比为：

模型参数压缩比为：

本实施例中，坐标Ghostbottleneck结构参见图5所示；在Ghost bottleneck中加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，以此来改良图像分类的性能。

设计自适应权重模块，以此避免花费大量计算资源的同时可以充分利用相似特征图所包含的信息。自适应权重模块结构图如图6所示，设计自适应权重模块，采取以下操作：

将自适应权重模块网络划分为像素注意力分支、通道注意力分支和自适应权重分支。其中：

像素注意力分支包含一个1×1卷积核像素注意力块(PA)。

在通道注意力分支中，使用一个1×1卷积核和通道注意力块(CA)，然后使用一个1×1卷积进行特征重组，以便与自适应权重分支进行权重融合。

在两个注意力分支中加入两个交叉结构，通过特征复用的方式来弥补不同注意力间所忽视掉的特征，特征复用原理参见图7所示。

将自适应权重分支分为模块的第三个分支。该分支利用加权求和分配像素注意力分支和通道注意力分支的权重，自动舍去一些不重要的注意力特征以使两个分支达到动态平衡。

使用两个坐标Ghostbottleneck和两个自适应权重模块作为网络主干。故障诊断网络模型结构如图8所示。

令输入图像的大小为32×32，经过transform后将尺寸调整为224×224。

转换后的图像在经过第一个3×3卷积后进入Ghost bottleneck开始生成Ghost特征图，然后进入自适应权重层。经过两次重复后使模型充分整合输入信号的特征。为了避免出现过拟合，在经过最后一层3×3卷积层和平均池化后，使用Dropout操作，Dropout参数值设定为0.5。

训练网络模型，其训练策略流程参见图9所示，采取以下操作：

数据采集，通过实验设备以及传感器获得一维振动信号，然后将其转换为32×32灰度图，并根据比例将图像数据集划分为训练集和测试集。

训练epoch设置为30，初始学习率设置为0.001，每个批次设置为64。

计算损失函数，利用Softmax分类函数进行反向传播更新权重，利用Adam优化器进行优化。

最后当epoch达到指定数时，训练结束并保存模型。

将测试数据集输入训练好的模型，最后输出故障分类结果。

下面以某大学的滚动轴承数据集对本发明方法进行实验验证：

在某大学滚动轴承数据集中，数据包括四种故障类型，分别为正常，滚珠故障(BF)，内圈故障(IF)和外圈故障(OF)。此外，根据故障尺寸大小，又将每种故障细分为0.007、0.014、0.021和0.028英寸。将不同位置以及不同尺寸的故障分为12个标签(一个正常标签和11个故障标签)。同时，使用了4种负载下收集的实验数据，分别用A、B、C和D表示，详细数据如表1和表2所示。

表1同负荷下数据集描述

Classlabel	Faultlocation	Faultsize(in)	Numberofsamples
				00	Normal	/	150
01	BF	0.007	150
				02	IF	0.007	150
03	OF	0.007	150
				04	BF	0.014	150
05	IF	0.014	150
				06	OF	0.014	150
07	BF	0.021	150
				08	IF	0.021	150
09	OF	0.021	150
				10	BF	0.028	150
11	IF	0.028	150

表2四种负荷数据描述

Dataset	Load(hp)	Samplesizeofthedataset	Trainingset/Testset
				A	0hp	1800	1260/540
B	1hp	1800	1260/540
				C	2hp	1800	1260/540
D	3hp	1800	1260/540

为了验证本发明的优越性，选择了经典的轻量级神经网络模型MobileNetV3和各种深度学习模型，包括GhostNet、AlexNet、ResNet34、和GoogLeNet进行对比。原始信号下准确率如表3所示：

表3六种方法在原始信号下的准确率

其中，不同模型训练损失函数示意图参见图10所示。

噪音环境的性能测试下，在原始信号中加入不同信噪比(SNR)的高斯白噪声。同时，将原始信号设为训练集，然后将加入噪声的样本作为测试集，以此来验证所提方法对不同强度噪声的抗噪能力。SNR定义如下：

不同信噪比下准确率对比如表4所示：

表4添加噪声下六种方法的准确率

Algorithms

3dB

6dB

9dB

12dB

Average

Averagetime

CGA-Net

97.06％

98.65％

99.18％

99.8％

98.67％

119.76s

GhostNet

90.47％

93.36％

96.01％

96.26％

94.03％

305.22s

AlexNet

73.48％

77.38％

84.57％

85.55％

80.25％

135.5s

ResNet34

96.05％

96.33％

98.59％

99.45％

97.61％

888.17s

MobileNetV3

92.7％

94.53％

97.27％

98.63％

95.78％

324.09s

GoogLeNet

77.61％

81.9％

85.59％

89.1％

83.55％

314.68s

变工况测试下性能测试，选取A、B、C、D四个数据集中的一个数据集作为训练集，其余三个作为测试集，用来验证本发明在不同工况下的适应性。实验结果参见图11所示，结果证明本发明适应性更好。

通过上述实施的描述，本领域技术人员可获知，本发明提出基于Ghost模块和注意力机制的高效滚动轴承故障高效诊断方法，可以用于嘈杂环境、负载变化以及混合故障条件下的故障诊断。CGA-Net首先将振动信号转化为二维图像，将噪音转化为图像亮度等特征，减少了噪音对原始信号的影响，并使用二维CNN对其进行充分的特征提取。然后为了减少模型参数量，增强模型表征能力，将坐标注意力引入Ghostbottleneck，大大降低了模型计算量。最后设计自适应权重模块，通过动态利用由卷积生成的特征来更加高效的表征输入信息。本发明有效地减少了模型尺寸并获得很强的特征学习能力，解决了传统方法诊断时间长，抗噪能力差的问题；能够高效快速准确的进行滚动轴承故障诊断。

进一步地，本发明还提供了一种滚动轴承故障高效诊断系统，应用于上述实施例中的一种滚动轴承故障高效诊断方法，进行滚动轴承故障高效诊断，该系统包括：

数据转化模块，用于获取滚动轴承运行数据，将一维振动信号转换为灰度图，并根据预设比例划分为测试集和训练集；

故障诊断网络模型构建模块，用于基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型；

模型训练模块，用于利用划分的所述训练集对所述故障诊断网络模型进行训练，达到预设指标时保存模型；

故障诊断模块，用于将所述测试集输入至训练好的故障诊断网络模型，输出滚动轴承故障诊断结果。

本发明实施例所提供的系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容，在此不再赘述。

另外，本发明实施例还提供一种存储介质，其上存储有计算设备可读的一个或多个程序，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行上述实施例中的一种滚动轴承故障高效诊断方法。

本发明实施例中，存储介质例如可以是电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备以及上述的任意合适的组合。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品等。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。

应当注意的是，词语“包括”不排除存在未列在权利要求中的步骤或部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种滚动轴承故障高效诊断方法，其特征在于，该方法包括：

获取滚动轴承运行数据，将一维振动信号转换为灰度图，并根据预设比例划分为测试集和训练集；

基于坐标Ghost bottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型；

利用划分的所述训练集对所述故障诊断网络模型进行训练，达到预设指标时保存模型；

将所述测试集输入至训练好的故障诊断网络模型，输出滚动轴承故障诊断结果。

2.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，所述将一维振动信号转换为灰度图，计算公式为：

其中，P(j,k)表示转化后的每个图像的像素值；j＝1…N，k＝1…N；round()表示取整函数，该函数将所有像素归一化至0-255之间；N表示子信号列长度，L表示信号强度。

3.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，所述基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，包括：

构建坐标Ghostbottleneck；在Ghostbottleneck中加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，优化图像分类的性能；

构建自适应权重模块，用以利用相似特征图所包含的信息；

使用两个坐标Ghostbottleneck和两个自适应权重模块作为网络主干；

令输入图像的大小为32×32，经过transform后将尺寸调整转化为224×224；

转化后的图像在经过第一个3×3卷积后进入Ghost bottleneck开始生成Ghost特征图，然后进入自适应权重模块；经过两次重复后使模型充分整合输入图像的特征；

在经过最后一层3×3卷积层和平均池化后，使用Dropout操作，Dropout参数值设定为0.5。

4.根据权利要求3所述的一种滚动轴承故障高效诊断方法，其特征在于，所述构建自适应权重模块，包括：

模块中划分为像素注意力分支、通道注意力分支和自适应权重分支；其中：

像素注意力分支包含一个1×1卷积核像素注意力块；

在通道注意力分支中，使用一个1×1卷积核和通道注意力块，并使用一个1×1卷积进行特征重组，用以与自适应权重分支进行权重融合；

在两个注意力分支中加入两个交叉结构，通过特征复用的方式来弥补不同注意力间所忽视掉的特征：

自适应权重分支利用加权求和分配像素注意力分支和通道注意力分支的权重。

5.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，利用所述训练集对所述故障诊断网络模型进行训练时，训练epoch设置为30，初始学习率设置为0.001，每个批次设置为64。

6.根据权利要求1所述的一种滚动轴承故障高效诊断方法，其特征在于，利用所述训练集对所述故障诊断网络模型进行训练时，用Softmax分类函数进行反向传播更新权重，利用Adam优化器进行优化。

7.一种滚动轴承故障高效诊断系统，其特征在于，应用如权利要求1-6任一项所述的一种滚动轴承故障高效诊断方法，进行滚动轴承故障高效智能诊断，该系统包括：

数据转化模块，用于获取滚动轴承运行数据，将一维振动信号转换为灰度图，并根据预设比例划分为测试集和训练集；

故障诊断网络模型构建模块，用于基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型；

模型训练模块，用于利用划分的所述训练集对所述故障诊断网络模型进行训练，达到预设指标时保存模型；

故障诊断模块，用于将所述测试集输入至训练好的故障诊断网络模型，输出滚动轴承故障诊断结果。

8.根据权利要求7所述的一种滚动轴承故障高效诊断方法，其特征在于，所述基于坐标Ghostbottleneck和自适应权重模块作为网络主干，构建故障诊断网络模型，包括：

构建坐标Ghostbottleneck；在Ghostbottleneck中加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，优化图像分类的性能；

构建自适应权重模块，用以利用相似特征图所包含的信息；

使用两个坐标Ghostbottleneck和两个自适应权重模块作为网络主干；

令输入图像的大小为32×32，经过transform后将尺寸调整转化为224×224；

转化后的图像在经过第一个3×3卷积后进入Ghost bottleneck开始生成Ghost特征图，然后进入自适应权重模块；经过两次重复后使模型充分整合输入图像的特征；

在经过最后一层3×3卷积层和平均池化后，使用Dropout操作，Dropout参数值设定为0.5。