基于异构时频多尺度注意力网络的滚动轴承故障诊断方法

《Scientific Reports》：Noise-robust bearing fault diagnosis via heterogeneous time-frequency multimodal fusion

　　

摘要

滚动轴承故障仍然是工业旋转机械意外停机的主要原因。现有的基于深度学习的诊断方法对噪声的鲁棒性有限，尤其是在复杂的运行条件下。为应对这一挑战，本文提出了一种异构时频多尺度注意力网络（HTMSA-Net）用于滚动轴承故障诊断，该网络联合利用了互补的振动信号和声信号。该网络采用双分支架构，每个分支都基于 ConvNeXt V2-Atto 主干构建，以从异构时频表示中独立提取模态特定的特征。具体来说，使用连续小波变换（CWT）时频图表示振动信号，使用梅尔频谱图表示声信号。本文提出了一种基于注意力的残差融合（ARF）模块来解决分支间的特征不平衡问题，该模块采用多尺度通道注意力机制，在特征拼接前对模态特定特征进行自适应重加权。模型使用 ImageNet 预训练权重进行初始化，并进行端到端训练。在渥太华 UORED-VAFCLS 数据集和 KAIST 数据集上的实验表明，HTMSA-Net 在干净条件下取得了高诊断准确率，并在 6 dB 至 ?6 dB 的加性白高斯噪声下保持了对噪声的良好鲁棒性，始终优于主流架构。消融研究进一步揭示，异构时频表示和 ARF 融合模块都对诊断性能有实质性贡献，且自适应 ARF 融合始终优于静态融合策略。