基于物理引导多视角视觉Transformer的滚动体轴承故障诊断

《Scientific Reports》：Attention specialized multi-view vision transformer for physics interpretable rolling element bearing fault diagnosis

　　

摘要

滚动体轴承故障诊断仍具挑战性，因为不同的故障状态会产生复杂且重叠的振动特征。本研究提出了一种物理引导的多视角视觉Transformer（MV-ViT），将原始振动信号转换为六种互补的图像表示：短时傅里叶变换（STFT）、连续小波变换（CWT）、恒Q变换（CQT）、谱峰度（SK）、Teager能量映射（TEM）和包络谱（ES）。这六种表示通过共享的多头自注意力视觉Transformer进行联合处理，以学习时间-频率、频谱、脉冲和非线性能量特征之间的跨视角关系。所提出的框架在包含组合故障的五类轴承故障诊断任务中进行评估。MV-ViT实现了99.62%的最高测试准确率，在五个随机种子下平均准确率为98.72 ± 0.70%，显示出在不同独立训练运行中的一致性表现。分类结果进一步表明，组合故障类的F1分数均高于0.96。变换级注意力分析确定包络谱是最具影响力的表示，约占测量注意力能量的42.8%，其次是恒Q变换，占20.3%。这一观察通过留一视角消融得到验证，其中移除包络谱导致测试准确率下降1.12个百分点，从99.62%降至98.50%，而移除恒Q变换、连续小波变换或Teager能量映射视角则导致准确率下降0.75个百分点。网络架构的消融研究还表明，降低Transformer的深度和嵌入维度不会导致准确率的明显变化，这表明表示多样性在诊断中比增加模型容量起更重要的作用。在留一工作条件实验中，未见工作条件的准确率分别达到97.92%、98.01%和97.23%。五次重复实验结果的统计比较显示，验证准确率和测试准确率之间没有显著差异（p = 0.3125）。最后，训练后量化使模型大小从FP32格式的77.9 MB减小到INT8格式的19.7 MB和FP16Q4格式的9.9 MB，同时保持了高分类准确率。