来源：期刊VIP网 时间：
作者：吴新忠;罗康;唐守锋;何泽旭;陈琪;
单位：中国矿业大学信息与控制工程学院;
摘要：针对现有矿用滚动轴承故障诊断方法存在特征提取能力有限、泛化性欠佳的问题，提出了一种基于超小波变换（SLT）与OD-ConvNeXt-ELA的矿用滚动轴承故障诊断方法。以ConvNeXt-T为基础，引入批归一化（BN）技术以提高网络的泛化性，使用全维动态卷积（ODConv）替换原有的深度可分离卷积，以提高网络的适应性，引入高效局部注意力（ELA）以使网络聚焦关键位置特征，构建了矿用滚动轴承故障诊断OD-ConvNeXt-ELA网络模型；为充分利用OD-ConvNeXt-ELA网络模型的图像特征提取能力，选用SLT将采集的滚动轴承一维振动信号转换为二维时频图像后输入OD-ConvNeXt-ELA进行模型训练。选用凯斯西储大学（CWRU）和帕德博恩大学（PU）轴承数据集进行故障诊断实验，结果表明：对于单一工况下的CWRU轴承数据集，OD-ConvNeXtELA平均故障诊断准确率为99.65%，较ConvNeXt-T提高了1.61%；对于跨工况下的CWRU轴承数据集，OD-ConvNeXt-ELA平均故障诊断准确率为87.50%，较ConvNeXt-T提高了3.30%；对于跨工况下的PU轴承数据集，OD-ConvNeXt-ELA平均故障诊断准确率为89.33%，较ConvNeXt-T提高了3.46%；基于SLT与OD-ConvNeXt-ELA的矿用滚动轴承故障诊断方法在跨轴承、跨工况及噪声干扰下具有准确率高、泛化能力强的优势。
关键词：矿用滚动轴承;故障诊断;ConvNeXt;超小波变换;全维动态卷积;高效局部注意力机制
基金资助：国家重点研发计划项目（2018YFC0808100）; 江苏省重点研发计划项目（BE2016046）
