基于模型和基于信号处理与分析的滚动轴承故障诊断方法存在建模困难、信号特征难以提取等问题；基于浅层机器学习的滚动轴承故障诊断方法对复杂数据的特征学习能力有限；基于深度学习的滚动轴承故障诊断方法多采用卷积神经网络，但随着网络深度加深会出现梯度弥散或消失的问题，且直接将滚动轴承振动信号转换成一维或二维图像作为网络输入会无法保留信号间的时间相关性，导致信号信息丢失。针对上述问题，提出了一种基于马尔可夫变迁场（MTF）和密集连接卷积网络（DenseNet）的滚动轴承故障诊断方法。将滚动轴承振动信号通过MTF编码后生成二维图像，保留了信号的时序信息和状态迁移信息；将二维图像作为DenseNet的输入，通过DenseNet对滚动轴承振动信号故障特征进行提取，增强了特征信息传播，使特征信息得到充分利用，进而实现故障分类识别。采用凯斯西储大学轴承数据集上的数据进行试验，结果表明，该方法能有效识别滚动轴承故障类型，故障诊断准确率达99.5%。为进一步验证该方法在电动机载荷发生变化情况下的故障诊断能力及优越性，选取灰度图、包络谱图、倒频谱图和MTF生成图4种网络输入图像分别与Inception,ResNet,DenseNet 3种网络相结合的方法进行对比试验，结果表明：不同方法的故障诊断准确率均在电动机载荷不变时高于电动机载荷变化时；MTF+DenseNet方法故障诊断准确率高于其他方法，在电动机载荷发生变化的情况下仍具有较高的故障诊断准确率，平均值为94.53%，泛化性能较好。

安徽省教育厅高校自然科学研究基金重点项目（KJ2019A1130,KJ2019A1135）；滁州职业技术学院科技创新平台项目（YJP-2021-02）；滁州职业技术学院2019年校级科研一般项目（YJY-2019-12）；

0 引言
1 MTF
2 Dense Net
3 滚动轴承故障诊断模型
4 故障诊断试验与分析
4.1 试验数据
4.2 试验结果与分析
5 结语

姜家国,郭曼利.基于MTF和DenseNet的滚动轴承故障诊断方法[J].工矿自动化,2022,48(09):63-68.DOI:10.13272/j.issn.1671-251x.17985.