%0 Journal Article
%A 刘杰
%A 谭玉涛
%A 杨娜
%T 强噪声下基于ACYCBD-MTF-MobileViT的轴承故障诊断研究
%D 2024
%R 
%J 振动与冲击
%P 34-47
%V 43
%N 24
%X 针对小样本强噪声环境下，传统深度学习模型抗噪性差，模型训练不充分等问题，提出一种基于自适应最大二阶循环平稳盲解卷积(Adaptive Maximum Second -order Cyclostationarity Blind Deconvolution, ACYCBD)结合马尔可夫变迁场(Markov Transition Field, MTF)与MobileViT的滚动轴承故障诊断方法。首先，通过参数自适应的CYCBD算法增强强噪声背景下轴承故障的冲击信号，降低强背景噪声的影响，然后，采用MTF将预处理后的一维轴承振动信号转变为具有时间关联性的二维特征图像，最后将MTF图像输入MobileViT网络中进行训练，得到故障诊断结果，运用东南大学齿轮箱数据集和沈阳工业大学实验室滚动轴承数据集验证所提方法在小样本强噪声条件下的故障识别准确率，结果表明，在小样本强噪声条件下，ACYCBD处理后的数据，训练的模型具有更高的准确率，相较于其他数据预处理方法最大相关峭度解卷积、VMD、集合经验模态分解准确率分别提高了1.73、1.99、2.2个百分点，利用MTF进行模态转换后相较于格拉姆角场、连续小波变换、RP准确率分别高出了2.59、3.12、2.72个百分点；与其他深度学习模型进行对比，所提方法在上述条件下有着更高的抗干扰能力和泛化性能。<br>
%U https://jvs.sjtu.edu.cn/CN/abstract/article_13840.shtml