来源：期刊VIP网 时间：
作者：赖锦辉;梁松;
单位：广东石油化工学院计算机学院;广东石油化工学院电子信息工程学院;
摘要：针对滚动轴承故障样本数据稀少，模型识别准确率不高的问题，提出一种基于层次化特征融合和递增卷积结构卷积神经网络的滚动轴承故障诊断方法。首先，将一维信号转化为马尔可夫变迁场(MTF)二维编码图，采用数据增强技术增加训练样本的多样性和数量；其次，在ConvNeXt卷积神经网络中引入层次间特征融合(HFF)模块，将不同阶段的特征图进行多尺度的特征融合，使得模型能够同时捕获到局部细节和全局上下文信息，显著提高网络对图像特征的提取和利用能力；最后，将ConvNeXt卷积神经网络中的模块改进为递增卷积结构(ICS),使其在滚动轴承故障诊断的小样本分类任务中训练更加充分，构建一种具有层次化特征融合和递增卷积结构的卷积神经网络模型(简称ICS-ConvNeXt-HFF模型)。将ICS-ConvNeXt-HFF模型运用于多级离心式风机轴承数据集和美国凯斯西储大学(CWRU)电机轴承数据集上，以验证模型有效性，并与多种方法对比，实验表明，该模型对滚动轴承故障识别率为99.61%,在分类准确率、泛化性能和稳定性上较其他方法都具有显著优势。
关键词：滚动轴承;;故障诊断;;层次化特征融合;;递增卷积结构;;马尔可夫变迁场
基金资助：2022广东省高校特色创新项目(自然科学类)(2022KTSCX084);; 2024茂名市科技计划项目(茂科字[2024]25号)
