基于2D-1D融合与双向多粒度Transformer-Mamba的旋转机械故障诊断网络BMTM-Net研究

本文推荐一篇创新性研究《BMTM-Net：基于2D-1D融合与双向多粒度Transformer-Mamba（BMTM）的旋转机械故障诊断网络》。作者团队针对工业场景中传感器数据关联性缺失、噪声敏感及长程特征提取不足等痛点，提出融合2D序列交互网络（含时序注意力模块ST-Attention）与1D时序提取网络（集成通道注意力融合模块CAFM）的双路径架构。实验表明，该模型在-10dB强噪声下仍保持>99%准确率，且复杂度低，为工业设备智能运维提供了高鲁棒性解决方案。

　　

亮点

本研究提出BMTM-Net网络，通过2D-1D混合架构与双向多粒度设计，攻克了旋转机械故障诊断中传感器关联性建模、噪声干扰和长序列特征提取三大难题。

结论

旋转机械系统的精准故障诊断对保障工业安全至关重要。本文提出的BMTM-Net网络基于2D-1D融合框架与双向多粒度Transformer-Mamba（BMTM），成功解决三大核心问题：1）单传感器时序特征与跨传感器序列特征的完整性提取；2）长序列全局建模能力不足；3）噪声环境下诊断精度下降。实验验证其在-10dB信噪比恶劣条件下仍保持超高准确率，且模型轻量化，为工业场景提供了可靠解决方案。

（注：因原文属工程技术领域，翻译时在保留专业性的基础上，通过"攻克难题"、"超高准确率"等表述增强生动性，同时规范标注ST-Attention/CAFM等模块缩写，符合生命科学领域文本的术语标注习惯。）