- 张中伟;孙苗青;路行超;张帅;李乃鹏;
现有滚动轴承智能诊断模型多基于单一工况下的故障数据构建，而实际应用中的工况多变，不同工况下的监测数据差异明显。对于在多工况下服役的滚动轴承，单一工况数据训练的模型难以准确识别不同工况下的轴承故障，导致误诊、漏诊严重。为解决跨工况下的滚动轴承智能诊断问题，提高诊断模型在不同工况下的鲁棒性，提出了一种基于最优传输理论的滚动轴承故障迁移诊断方法，对轴承振动数据进行时域Gammatone滤波获得多频段时域信号，构建域共享特征提取子网络提取源域、目标域轴承数据的深层故障特征，结合最优传输理论构建最优传输适配子网络完成域特征适配并实现轴承故障诊断。验证结果表明，基于最优传输理论的滚动轴承故障迁移诊断方法能有效提高跨工况下滚动轴承的迁移诊断精度。
2026年01期 No.554 58-64页 [查看摘要][在线阅读][下载 2195K] - 曹景浩;文传博;
针对实际应用中训练样本不足以及跨工况轴承故障诊断中不同工况数据分布差异较大导致无法取得令人满意的诊断结果的问题，提出了一种基于多尺度分层交替迁移学习的小样本轴承跨域故障诊断模型。构造了一个多尺度特征提取器，以减少信息损失，充分挖掘振动信号中的特征；为了处理域位移问题，提出分层交替迁移学习算法（HATL），分层交替计算Coral和LMMD损失函数，缩小源域与目标域的分布距离。在凯斯西储大学轴承数据集和江南大学轴承数据集上进行了迁移试验，并与一些经典迁移学习模型进行对比，结果表明在小样本训练数据集下，所提模型具有优秀的特征迁移能力。
2026年01期 No.554 65-74页 [查看摘要][在线阅读][下载 2354K] - 宋向金;刘志成;王照伟;范沪生;
针对电动机电流信号基频分量干扰大、偏心谐波复杂以及供电系统噪声而导致轴承特征提取困难的问题，提出一种无速度传感器下基于定子电流交轴分量的轴承外圈故障诊断方法。首先，利用扩展Park矢量变换构造定子电流信号交轴分量，全面获取诊断所需频率信息并通过幅值放大作用凸显故障特征；然后，通过快速傅里叶变换对交轴分量进行频谱分析，提取齿谐波分量估计转子旋转频率分量f_r，进而获取轴承外圈故障边带特征分量f_1+f_(ef)；最后，根据快速傅里叶变换频谱中是否存在外圈故障边带特征分量判断轴承是否发生故障。试验结果表明，所提方法可有效提取电动机不同负载状态下的轴承外圈故障边带特征分量，具有计算简单和实现方便的优点，而且诊断精度和稳定性较好。
2026年01期 No.554 75-83页 [查看摘要][在线阅读][下载 1656K] - 孙艳玲;孙显彬;贾新月;宋益民;于春雨;
针对低速重载轴承低转速导致故障信号微弱，故障特征提取困难的技术难点，以及深度学习由于自身“黑盒”特性导致诊断结果的不可解释和不可信任的问题，构建了一种基于注意力机制和自适应激活函数的小波内核可解释网络模型，以实现低速重载轴承的故障诊断。设计了一个能够自动调整参数的自适应激活函数适应不同的任务，以Morlet小波和Laplace小波内核代替随机卷积核使模型具有理论上的可解释性，引入注意力机制和自适应激活函数提高网络的特征表达能力。通过振动数据与声发射数据驱动可解释网络模型的对比试验表明：可解释网络模型在低速重载轴承故障诊断领域具有诊断精度高、可信任性强等特点；与振动信号相比，基于声发射信号的低速重载轴承故障诊断更具优势。
2026年01期 No.554 84-90页 [查看摘要][在线阅读][下载 2112K] - 顾云鹏;马超;臧绍飞;于朋洋;马建伟;
针对传统图像处理和人工检测方法在复杂、多样的滚子外观缺陷检测中效率低下和精度不高的问题，提出一种融合部分卷积和高效通道注意力机制（ECA）的U-Net模型。首先，针对原始U-Net解码阶段不同尺度特征的融合与重复使用产生冗余特征的问题，设计一种融合部分卷积的解码器，缓解冗余特征对模型的负面影响并提高模型的计算效率；其次，在解码器部分引入ECA，自适应建立通道之间的信息交互，增强模型捕捉和理解图像重要特征的能力；最后，针对轴承滚子外观检测任务易出现样本不均衡问题，设计一种融合Focal Loss的损失函数以监督训练模型，减轻样本不均衡对模型的负面影响。在轴承滚子缺陷数据集上的试验结果表明，所提模型在各评估指标上均达到了较高精度，验证了其有效性和可行性。
2026年01期 No.554 91-99页 [查看摘要][在线阅读][下载 1935K] - 谢莹;刘雪伟;鲁振杰;
针对实际工业生产中故障数据较难采集，而训练具有良好性能的深度学习模型又依赖于大量数据样本的问题，提出一种改进辅助分类生成对抗网络与注意力机制相结合（M-ACGAN-A）的故障诊断模型。首先，对振动信号进行短时傅里叶变换，将其转化为二维时频图，从而增强数据特征；其次，采用辅助分类生成对抗网络（ACGAN）的生成器学习实际数据样本的分布，生成大量模拟数据样本；然后，利用嵌入注意力机制的分类器进行模型训练，引入Wasserstein距离指导模型缩短源分布与目标分布的差距，并通过谱归一化来防止模型梯度爆炸；最后，利用训练完成的判别器进行故障诊断。采用凯斯西储大学轴承数据集和帕德博恩大学轴承数据集进行试验，结果表明所提模型能够利用有限的数据信息实现故障诊断，相比于其他深度学习模型具有更高的诊断精度和泛化性。
2026年01期 No.554 100-110页 [查看摘要][在线阅读][下载 2042K] - 李名洪;张林鍹;邱朝洁;郑兴;张盼盼;
在基于数据驱动和深度学习的轴承剩余使用寿命（RUL）预测流程中，构建能准确描述轴承退化状态的健康指标（HI）是至关重要的步骤。针对基于传统特征和无监督学习方法构建的健康指标性能较差，无法合理反映轴承退化状态的问题，使用深度卷积自编码器（DCAE）从原始振动信号中提取故障特征，考虑到每组特征都具有时间序列的性质，在编码器中引入自注意力机制（AM）自动学习序列内部元素相互关系并赋予不同权重，提出了构建健康指标的DCAE-AM模型。为合理反映轴承的退化过程并避免引入大量的先验知识，使用基于二次函数的标签训练模型。在PHM2012轴承数据集上进行模型验证并设定了失效阈值，相比于PCA,SOM,WGAN,CNN以及DCAE等方法，DCAE-AM模型所构建健康指标的融合性能评分最少提升了7.3%，最多提升了89.7%。
2026年01期 No.554 111-119页 [查看摘要][在线阅读][下载 1719K] 下载本期数据