来源：期刊VIP网 时间：
作者：宁少慧;张少鹏;武煜坤;杜越;范小宁;
单位：太原科技大学机械工程学院;
摘要：【目的】针对深度学习与轴承故障诊断领域的结合所研发的算法已经初见成效，但是大多是通过对一维振动数据进行处理后输入到网络结构中进行诊断，而运用二维信号作为输入的故障诊断技术的研究仍处于表面，针对此类方法的分析也鲜有报道。以滚动轴承作为研究对象，研究以二维信号作为输入的故障诊断算法，针对多工况故障诊断、数据样本少、模型训练时间长等问题，构建了基于M-YOLO网络的滚动轴承故障诊断模型。【方法】首先，利用马赛克数据增强方法对样本进行扩充，缓解不平衡数据对诊断结果的干扰；然后，通过马尔可夫频域图像转换方法，将离散信号转换为概率模型，使用不同的策略对时间序列进行分类，完成了以二维频域图像作为模型输入的故障诊断；最后，利用Dropblock替换传统的Dropout结构，从空间层面和时间层面进行更加精细的优化，以期提高模型的鲁棒性与诊断精确率。【结果】结果表明，M-YOLO诊断模型的诊断结果明显高于传统的故障诊断方法，频域转换特征图像也比时域图像有更好的鲁棒性，更适合目标检测模型的训练与分类。该诊断模型具有一定的泛用性，为轴承故障诊断领域提供了一条新思路。
关键词：滚动轴承;;故障诊断;;视觉识别;;YOLO;;二维数据
基金资助：山西省基础研究计划联合资助项目（20231215）
