基于小波增强CNN-Transformer混合网络与多传感器信号融合的轴承故障诊断方法MCWT-WCFormer研究

为解决传统轴承故障诊断方法在多源数据融合、特征提取及轻量化部署方面的局限，研究人员开展了基于小波变换与CNN-Transformer混合架构的智能诊断研究，提出MCWT-WCFormer模型。该模型通过多通道小波变换（MCWT）生成时频图像，结合通道-空间注意力网络（CSAN）和小波注意力融合网络（WAFN），在HUST-gearbox和SHU-TSTB数据集上分别达到98.12%和98.03%的诊断准确率，参数量仅5.91M，单样本诊断时间约4.2ms，为工业数字孪生系统提供了高效轻量化的解决方案。

　　

轴承作为旋转机械的核心部件，其故障可能引发严重生产事故。传统故障诊断方法依赖人工特征提取，易受环境噪声干扰，而基于物理/数学模型的方法难以适应复杂工况。尽管深度学习技术（如CNN和Transformer）在故障诊断中展现出潜力，但现有方法仍面临三大挑战：多源信号时空关联性未被有效利用；独立网络架构难以兼顾局部与全局特征；现有混合模型计算复杂、参数量大，难以满足工业实时诊断需求。

为解决这些问题，上海大学的研究团队在《Journal of Computational Design and Engineering》发表研究，提出了一种名为MCWT-WCFormer的小波增强型CNN-Transformer混合网络。该研究通过创新性的多模态信号处理与轻量化网络设计，实现了高精度、低复杂度的轴承故障诊断。

研究主要采用三项关键技术：首先，通过多通道小波变换（MCWT）将三轴传感器信号转换为时频灰度图并合成为RGB图像，保留多源数据的时空关联性；其次，设计通道-空间注意力网络（CSAN）动态加权特征图，增强关键信息感知；最后，构建小波注意力融合网络（WAFN），利用固定参数的小波卷积提取高频特征并与Transformer结合，显著降低计算量。实验数据来源于公开数据集HUST-gearbox和自建数据集SHU-TSTB，采样频率均为25.6 kHz。

多传感器信号处理与特征融合

通过MCWT模块对x、y、z三轴信号进行Morlet小波变换，生成尺度为1-128的时频图，经归一化后堆叠为224×224×3的RGB图像。该方法在HUST-gearbox数据集上对比六种信号处理方式（1D-CNN、MVMD-CNN等），以96.14%的准确率显著优于其他方法（最高94.37%），证明其有效融合多源数据并增强特征表达能力。

轻量化网络架构性能验证

WCFormer网络包含CSAN、WAFN和特征融合模块（FFM），参数量仅5.93M。在HUST-gearbox数据集上，其准确率达98.12%±0.17%，超越ResNet50（97.38%）、VGG19（97.14%）等主流模型，且计算量（43.25 GFLOPs）最低。单样本诊断时间约4.2ms，满足实时性要求。

抗噪声与超参数敏感性分析

在信噪比2 dB和4 dB的强噪声环境下，模型准确率仍保持在94.62%和95.48%，显示强鲁棒性。超参数实验表明，Morlet小波与128尺度组合性能最优，且网络层数设置为4层时平衡了效率与精度。

跨数据集泛化能力验证

在SHU-TSTB数据集（5类故障）上，模型准确率达98.03%±0.12%，进一步验证其泛化能力。混淆矩阵与t-SNE可视化显示各类别分离明显，F1-score均高于0.97。

研究结论表明，MCWT-WCFormer通过多源信号融合、注意力机制与轻量化设计，解决了传统方法在特征提取、计算效率与抗噪声能力方面的不足。其创新性体现在：MCWT实现跨模态特征转换；CSAN增强通道-空间依赖关系；WAFN以固定参数小波卷积替代可训练卷积核，降低内存占用。该模型可集成于工业数字孪生系统，支持循环相关熵（cyclic correntropy）等新指标融合，并扩展至汽轮机、风电齿轮箱等旋转机械健康管理。未来工作将探索跨工况迁移学习与多模态数据融合，进一步提升模型在变工况条件下的适应性。