编辑推荐：
为解决风力涡轮机在变速条件下振动信号非线性、信息混合及强噪声干扰导致的故障特征提取难题，研究人员开展时频集成网络（TFNet）的机械故障诊断研究。结果表明 TFNet 诊断准确率高、泛化能力强，为变速强噪环境下的机械故障诊断提供新方案。
在工业领域，风力发电机齿轮箱常处于复杂变速与强噪声环境，传统单一域特征提取方法难以捕捉信号的多样复杂特性，导致故障诊断精度受限。如何有效融合多域特征、提升噪声鲁棒性成为亟待解决的关键问题。为此，北京交通大学等机构的研究人员开展了相关研究，成果发表在《Engineering Science and Technology, an International Journal》。
研究采用的关键技术包括：构建自适应谱块（ASB）通过傅里叶分析和自适应阈值降噪；结合 Transformer 编码器（T-block）和 MixHop 图卷积网络 - 多头注意力机制（GCN-MHA，F-block）提取时频域特征；引入标签平滑算法优化模型训练。研究使用 WT-Planetary 齿轮箱、XJTUSuprgear 变速齿轮箱、CWRU 轴承数据集及水泥生产设备数据进行验证。
4. 行星齿轮箱故障识别
通过分析不同工况下的时频域信号特征，发现健康状态与故障状态（如断裂、磨损、裂纹等）在波形规则性、能量分布等方面存在显著差异。经超参数优化，TFNet 在 20-50Hz 工况下诊断准确率达 98.88%-99.95%。与 CNN、LSTM 等模型相比，TFNet 准确率显著更高（如比 CNN 高 6.64%），且在 - 10dB 噪声环境下仍保持较高精度，验证了 ASB 模块的降噪有效性。消融实验表明，多域特征融合及 MHA 机制对性能提升至关重要。
5. 变速齿轮箱与轴承故障识别
在 XJTUSuprgear 变速数据集（0-1200rpm）中，TFNet 对不同裂纹程度（0.2-1.4mm）的诊断准确率达 98.84%，优于其他对比模型。CWRU 轴承数据集（含内圈、外圈、滚珠故障）测试显示，TFNet 对 10 类故障的识别准确率达 99.64%，特征可视化结果表明其能有效分离不同故障类别。
6. 工程验证
在水泥生产设备（辊压机、离心风机）的复杂噪声环境中，TFNet 对正常与故障状态的诊断准确率均超 95%，且稳定性优于其他模型，证实其在工业场景的实用性。
研究提出的 TFNet 通过时频域特征融合与噪声抑制机制，显著提升了变速强噪环境下的机械故障诊断性能。实验表明，该模型在多类数据集上诊断准确率均领先，且对噪声具有强鲁棒性。其创新的模块设计（如 ASB、MixHop GCN-MHA）为机械故障诊断提供了新的技术路径，有望推动工业设备智能运维的发展，尤其在新能源、重型机械等领域具有重要应用价值。未来可进一步探索其在多模态数据融合中的应用。
