摘要
转动机械中滚动轴承的运行状态对于大型机械设备的可靠性和运行安全至关重要。然而，实际的工业环境往往涉及不同的负载和转速，这可能导致振动特性的变化，从而降低故障相关特征的区分度。同时，传统的单维振动信号在表征频率成分与故障引起的动态变化之间的复杂关系方面存在局限性。为了解决这些问题，本文提出了一种多传感器融合频率递归图（MSFRG）特征增强方法，并结合了一个嵌入了高效通道注意力（ECA）机制的并行动态-静态卷积网络（ECA-PDSNet），构成一个端到端的智能故障诊断方案。MSFRG通过多传感器融合增强了故障相关信息的表示能力，而ECA-PDSNet则同时提取稳定的静态特征和自适应的动态特征，其中ECA模块进一步突出了信息量较大的特征通道。在CWRU和YSU-219轴承数据集上的实验结果表明，在单一工作条件下，所提出的方法分别实现了100%和99.5%的分类准确率。当混合来自多种工况的样本进行训练和测试时，该方法在CWRU数据集上的准确率为99.75%，在YSU-219数据集上的准确率为99.50%。此外，在CWRU的交叉负载实验中，该模型在0 HP负载下的准确率分别为97.80%、96.70%和88.50%（在1 HP、2 HP和3 HP负载下），平均准确率为94.33%。这些结果表明，所提出的方法在固定和混合工况下均表现出有效性，并且具有在不同负载下的跨工况泛化能力。
