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-ConvNeXt-ELA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。

0 引言
1 基于SLT与OD-ConvNeXt-ELA的矿用滚动轴承故障诊断方法原理
1.1 OD-ConvNeXt-ELA设计
1.2 基于SLT与OD-ConvNeXt-ELA的矿用滚动轴承故障诊断流程
2 滚动轴承故障诊断实验
2.1 SLT对滚动轴承故障诊断的影响
2.2 单一工况下OD-ConvNeXt-ELA性能
2.3 跨工况下OD-ConvNeXt-ELA性能
2.4 跨轴承、跨工况下OD-ConvNeXt-ELA性能
2.5 不同信噪比下OD-ConvNeXt-ELA性能
3 结论

吴新忠,罗康,唐守锋,等.基于超小波变换与OD-ConvNeXt-ELA的矿用滚动轴承故障诊断[J/OL].工矿自动化,1-8[2025-01-13].https://doi.org/10.13272/j.issn.1671-251x.2024080056.