基于注意力机制和双分支并行网络的轴承故障诊断方法 刘强， 陈明皓， 唐明欣， 赖宏曦

《Applied Sciences》：A Bearing Fault Diagnosis Method Based on an Attention Mechanism and a Dual-Branch Parallel Network Qiang Liu, Minghao Chen, Mingxin Tang and Hongxi Lai

　　

摘要

车轮轴承是旋转机械的核心功能性部件之一，其应用范围不断扩展到现代社会生产和生活的各个领域，这使得对车轮轴承故障诊断的研究变得越来越重要。有效的振动特征提取和改进的分类模型对于实现准确和自动化的故障诊断至关重要。我们提出了一种基于Swin Transformer和改进的ResNet模块的故障诊断方法。在数据预处理阶段，分别使用FFT和VMD方法提取故障信号的频域特征和时域多尺度特征。然后，结合Swin Transformer和改进的ResNet模块进行双通道特征提取，再通过ECA模块进行特征融合，从而提高诊断准确性和模型的鲁棒性。该架构在保留浅层特征细节的同时，融入了全局上下文信息，改善了特征表示和检测精度。我们在SEU轴承数据集上进行了大量实验，包括模型验证、消融分析、对比评估和模拟噪声测试。实验结果表明，在均匀实验条件下，所提出的模型平均分类准确率为99.41%，比其他模型高出至少0.96%。即使在信噪比为-4的严重噪声干扰下，模型的平均准确率仍保持在91.92%，优于其他抗噪声模型。此外，在CWRU轴承数据集上进行的不同负载条件下的泛化实验显示，平均故障诊断准确率超过了98%，证明了该模型出色的跨领域适应性。