摘要
对滚珠轴承进行早期故障诊断对于保持旋转机械的可靠性以及避免意外停机至关重要。本研究提出了一种故障诊断框架，该框架将非接触式超声可视化技术与轻量级卷积神经网络结合使用。在相同的实验条件下，通过超声、振动和声发射传感器对包括铁质颗粒污染和润滑脂不足在内的七种轴承故障进行了研究。通过对超声RGB图像进行显著性图提取和二维直方图分析，生成了简洁的特征表示，这些特征被压缩为20×20的特征图，作为三层轻量级卷积神经网络的输入。所提出的方法平均分类准确率为99.98%，F1分数也为99.98%。此外，其平均推理速度可达11.47 IPS，这一效率大约是基于振动和声发射方法的十倍。即使在500转/分钟的低速运行条件下，该方法的诊断性能依然稳定。这些结果证明了将超声可视化技术与轻量级卷积神经网络相结合，能够实现高效且准确的轴承故障诊断。
