基于Mamba架构与多级注意力机制的MLFork模型：面向轴承故障诊断的小样本学习新范式

本文提出了一种创新性的小样本学习模型MLFork，通过集成双向上下文视觉状态空间（Bi-Context VSS）模块和空间/通道优先向量注意力机制（PSVA/PCVA），显著提升了轴承故障诊断在训练数据有限场景下的性能。该模型在CWRU和PU数据集上展现出卓越的泛化能力和特征提取效率，为工业设备智能运维提供了新解决方案。

　　

Highlight

• •

  提出融合全局-局部感知特征的MLFork模型，通过多级网络架构整合空间与通道向量注意力路由

• •

  创新性双向上下文视觉状态空间（Bi-Context VSS）模块实现多维度全局上下文学习

• •

  空间优先注意力（PSVA）与通道优先注意力（PCVA）机制强化特征聚焦能力

• •

  采用协方差度量（Covariance Metric）与余弦评分（Cosine Score）双模态分类策略

• •

  在PU和CWRU数据集上验证模型在有限数据场景下的卓越性能

The model’s overall structure

在进行分析前，信号表征的适配性至关重要。原始波形数据作为一维时间序列难以区分有效信号与噪声，通过短时傅里叶变换（STFT）将振幅-时间序列转换为频率-时间-振幅三维谱图，形成更丰富的视觉表征。该谱图随后输入特征提取器，通过多层双向上下文视觉状态空间（BCVSS）模块与空间激活特征增强（SAFE）模块处理，生成包含空间与通道信息的特征图。这些特征图分别经由PSVA和PCVA注意力路由处理，最终输入基于协方差度量与余弦评分的双分支分类模块。

Datasets

为验证模型在数据受限与充足场景下的泛化能力，实验采用凯斯西储大学（CWRU）轴承数据集与帕德博恩大学（PU）数据集。两者均包含振动信号，涵盖明显故障类型与难以区分的边缘案例（如不同损伤程度的故障）。CWRU数据集包含驱动端轴承振动数据，采样频率12kHz，含正常状态与三种故障类型（内圈、外圈、滚动体故障），每种故障设三种损伤尺寸（0.18/0.36/0.53mm）。PU数据集更复杂，含多种实际工况组合（不同载荷、转速与损伤类型），包含正常状态、人工损伤与真实磨损故障，采样频率64kHz，提供更接近工业实际的挑战性场景。

General insights on the proposed method and its performances

本研究针对轴承故障诊断中训练数据稀缺的现实问题，提出了兼具小样本适应性与大数据处理能力的MLFork模型。通过双向上下文视觉状态空间（BCVSS）模块与空间激活特征增强（SAFE）模块的组合，模型能够选择性地学习不同全局上下文模式并增强空间特征响应。分离式的空间/通道注意力路由有效降低了分类模块对单一特征图的依赖，使协方差度量与余弦评分模块能更精准捕捉样本间的高维关联。在PU和CWRU数据集上的实验表明，模型在有限样本场景下保持强泛化能力，在充足数据条件下则展现出色的特征提取与分类精度。

Conclusion

我们提出了一种基于MLFork模型的轴承故障诊断新方法。通过将多级分类子架构与特征提取器以向量注意力路由相连接，模型能够聚焦于预测关键信息。借助双向上下文视觉状态空间（BCVSS）和空间激活特征增强（SAFE）模块，MLFork能够选择性地学习多样化全局上下文模式并增强空间特征，最终通过空间级与通道级双分支分类模块实现精准故障分类。