DOI：10.3969/j.issn.1672-3872.2026.09.034
作 者：张书钰（长安大学工程机械学院，陕西 西安 710064）
摘 要：【目的】提高滚动轴承故障诊断中冲击特征的提取精度与效率。【方法】提出了一种基于MEDNet的滚动轴承故障诊断方法。通过将传统最小熵解卷积（MED）迭代过程展开为等价的深度网络（MEDNet），并引入可学习步长与正则化约束，以端到端方式优化滤波器。在训练中引入二阶循环平稳性指标（ICS2）作为目标函数，使网络能够自适应突出轴承故障周期性冲击特征。同时，在CWRU实测轴承数据集上进行了实验验证。【结果】MEDNet方法兼具模型可解释性与深度学习的优化能力，优于传统MED和单纯峭度驱动的滤波器优化，在故障信号峭度提升、包络谱故障频率增强及信噪比改善方面均具有显著优势。【结论】本研究为滚动轴承故障诊断提供了一种高效、稳健且可扩展的新思路。
关键词：故障诊断；最小熵解卷积；滚动轴承；神经网络
引文信息：[1]张书钰.基于MEDNet的滚动轴承故障诊断研究[J].南方农机，2026，57(9)：124-127.
查看全文请下载PDF文件↓
