机床与液压

作者：史梦瑶，陈志刚，王衍学，张志昊，魏梓书

单位：北京建筑大学机电与车辆工程学院；北京建筑大学机电与车辆工程学院；北京市建筑安全监测工程技术研究中心；北京建筑大学机电与车辆工程学院；北京建筑大学机电与车辆工程学院；北京建筑大学机电与车辆工程学院

关键词：连续小波变换;残差神经网络;视觉Transformer;轴承;故障诊断

基金：国家自然科学基金项目（52275079）;北京建筑大学研究生创新项目(PG2024134)

针对因数据量少、故障信号非平稳等特点而导致滚动轴承故障诊断分类方法分类准确率不高及模型泛化能力不强等问题，提出一种基于残差神经网络（ResNet50）与视觉变换器（ViT）的滚动轴承故障诊断方法。通过连续小波变换将轴承振动信号转换为时频图像，并将其作为ResNet50的输入，以进行隐式特征提取，将其输出作为ViT的输入。ViT将输入的图像特征按预定尺寸划分为块，并线性映射为输入序列，通过自注意力机制将全局图像特征进行集成，以实现故障诊断。为提高模型的效率和精度，在ViT的输入层引入深度可分离卷积层（DSC），通过逐深度卷积和逐点卷积的方式显著减少模型的参数量和计算量。使用华中科技大学（HSUT）的滚动轴承数据集进行验证，模型的诊断准确率达99.73%，能够有效完成对轴承故障类型的分类识别。在不同工况下进行实验验证，与其他深度学习方法相比，文中方法具有更高的诊断精度和更好的泛化性。通过消融实验验证了所提模型能够显著提升诊断准确率、召回率、精确率和 F1-score，表明其在滚动轴承故障诊断领域具有良好的应用前景。

来源：2025年第16期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第16期