姜家国，郭曼利

（1.滁州职业技术学院，安徽 滁州 239000；2.国网蚌埠供电公司，安徽 蚌埠 233000）

0 引言

滚动轴承是一种精密且重要的机械基础件，广泛应用于国民经济和国防事业各个领域。滚动轴承故障往往会造成严重的经济损失，甚至危及人们的生命安全[1]。因此，对滚动轴承的工作状态进行监测和诊断十分必要。

密集连接卷积网络（Densely connected convolutional networks，DenseNet）为了最大化网络中所有层之间的信息流，将网络中的所有层两两都进行了连接，使得网络中每一层都接受它前面所有层的特征作为输入。密集连接卷积网络中存在着大量密集的连接，可以有效减轻在训练过程中梯度消散的问题[2]。马尔可夫变迁场（Markov Transition Field，MTF）可以根据Markov过程将一维时间序列信号编码为二维图像，该方法编码的二维图像能够很好地保留时间序列信号的时间依赖性和频率结构。基于此，本文提出一种基于MTF和密集连接卷积网络相结合的滚动轴承故障诊断方法。首先，通过马尔可夫变迁场方法将一维时间序列转化成二维图片。其次，将转换的二维图片作为密集连接卷积网络的输入，通过网络提取滚动轴承信息特征，实现故障诊断。

1 马尔可夫变迁场

马尔可夫变迁场是一种将一维时间序列编码成二维图像的方法，该方法提取的特征能够表示时间和频率上的动态变化[3]。

假设时间序列是X={x1,x2,…,xN}。首先，把时间序列按照取值范围分成Q个bins（类似分位数），让每一个xi(i∈{1,2…,N})都映射到一个相应的qj(j∈{1,2,…,Q})。其次，通过沿每个时间步以一阶马尔可夫链的方式计算qj之间的转移，构建一个Q×Q的马尔可夫转移矩阵W。……