以ConvNeXt−T为基础进行改进，构建OD−ConvNeXt−ELA，其结构如下图所示。为解决ConvNeXt−T使用7×7大小卷积核导致通道间的信息交互不足而造成网络特征提取能力欠佳的问题，采用全维动态卷积（ODConv）替换ConvNeXt−T中的固定大小卷积核，实现根据输入数据特性对多个卷积核进行线性加权来动态调整卷积核大小，避免信息冗余；在部分卷积层后加入高效局部注意力（ELA）机制，对位置特征图中的重要特征信息进行编码，在无需降低维度的前提下，确保对特征信息的优先处理和精确捕捉；针对ConvNeXt−T中LN存在网络收敛速度慢、泛化性能差的问题，使用批归一化（BN）替换层归一化（LN）。

     基于SLT与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断流程如下图所示。

      将经过短时傅里叶变换（STFT）、连续小波变换（CWT）和SLT的二维时频图像输入ConvNeXt−T进行轴承故障诊断，结果见下表。可看出SLT在4种工况下的准确率优于STFT和CWT。

     将美国凯斯西储大学（CWRU）轴承数据集单一工况（A工况、B工况、C工况和D工况）下经SLT得到的二维时频图像分别输入ConvNeXt−T和OD−ConvNeXt−ELA进行轴承故障诊断，结果如下图所示。可看出OD−ConvNeXt−ELA平均故障诊断准确率达99.65%，较ConvNeXt−T提高了1.61%。

     使用不同工况下的CWRU轴承数据集对EfficientNet_b4，ResNet50，ConvNeXt−T及OD−ConvNeXt−ELA进行跨工况滚动轴承故障诊断对比实验。选取A工况下训练集对网络进行训练，B，C，D工况下测试集对网络进行测试，将上述训练集与测试集的组合分别记作A−B，A−C和A−D；选取B工况下训练集对网络进行训练，A，C，D工况下测试集对网络进行测试，将上述训练集与测试集的组合分别记作B−A，B−C和B−D；以此类推。跨工况下不同网络在CWRU轴承数据集上的故障诊断准确率如下图所示，可看出在12种跨工况下，OD−ConvNeXt−ELA的平均故障诊断准确率为87.50%，比ConvNeXt−T，ResNet50，EfficientNet_b4分别提高了3.30%，4.57%，4.65%。

     跨工况下4种网络在德国帕德博恩大学（PU）轴承数据集上的故障诊断准确率如下图所示。可看出OD−ConvNeXt−ELA在6种跨工况下的平均故障诊断准确率达89.33%，较ConvNeXt−T，ResNet50和EfficientNet_b4分别提高了3.46%，2.10%和2.09%，表明OD−ConvNeXt−ELA具有更好的泛化能力。

     加入信噪比为0，2，4，6 dB的噪声，在A工况下进行4种网络故障诊断实验，为去除偶然误差，重复10次取平均值，实验结果如下图所示。可看出与EfficientNet_b4，ResNet50，ConvNeXt−T相比，OD−ConvNeXt−ELA在不同信噪比下均具有较高的准确率，表现出良好的抗噪性能，适用于矿用轴承故障诊断中含有强噪声的场景。

      吴新忠，副教授，工学博士，硕导，中国矿业大学信控学院电工电子党支部书记，江苏省仪器仪表学会安全检测技术专委会秘书长。长期围绕矿山通风领域进行现代检测技术（传感器方向）、故障诊断、通风优化与智能控制的应用研究工作。主持和参与江苏省重点研发项目、国家重点研发项目、国家自然科学基金项目和企业委托项目多项。研究成果获得中国仪器仪表学会二等奖1次，中国煤炭工业协会二等奖1次、三等奖1次，河南省科技厅科技进步奖1次。已发表论文80余篇，其中EI检索10篇。申请并授权发明专利6项，软件著作权12项。

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]. 工矿自动化，2024，50（12）：120-127.

WU Xinzhong, LUO Kang, TANG Shoufeng, et al. Fault diagnosis of mining rolling bearings based on Superlet Transform and OD-ConvNeXt-ELA[J]. Journal of Mine Automation，2024，50（12）：120-127.