基于STRN-CM模型的滚动轴承故障诊断方法 徐世友， 张伟， 庞珊， 吴胜林， 赵荣珍， 秦一娟， 郭品硕

《Machines》：A Rolling Bearing Fault Diagnosis Method Based on the STRN-CM Model Shiyou Xu, Wei Zhang, Shan Pang, Shenglin Wu, Rongzhen Zhao, Yijuan Qin and Pinshuo Guo

　　

摘要

旋转机械的运行安全在很大程度上取决于其滚动轴承的状况。然而，在强背景噪声和多变的工作条件下，由故障引发的微弱冲击信号很容易被掩盖。为解决这些问题，本文提出了一种双分支跨模态故障诊断框架（STRN-CM），该框架将Swin Transformer与一维宽核深度残差网络（1D ResNet）相结合。该模型构建了互补的异构特征结构：经过优化的1D ResNet分支能够直接响应瞬时脉冲特征，从而通过原始振动数据检测早期故障；而Swin Transformer分支则利用时频图像捕捉具有时间依赖性的长期周期性特征。此外，本文还引入了跨模态注意力融合（CMAF）机制。该机制以信噪比较高的时间脉冲特征作为查询向量，动态调整时频特征的权重，从而在特征层面实现自适应去噪与增强。实验结果表明，在凯斯西储大学（CWRU）数据集的?6 dB高噪声环境下，STRN-CM的诊断准确率可达93.04%；在帕德博恩大学（PU）数据集上的准确率则为97.99%，显示出其在不同负载条件及实际疲劳损伤场景下的优异泛化能力。相比单模态网络，它在这些任务中的泛化性能也有显著提升。