基于多表示特征融合的滚动轴承故障智能诊断模型

《Scientific Reports》：Intelligent diagnosis model for rolling bearing faults based on multi-representation feature fusion

　　

摘要

变负载和强噪声下的滚动轴承振动信号是非平稳的，难以通过单一表征进行刻画。本研究提出了 MultiFuseAttenNet，该模型通过 SENet 数值分支和 Swin Transformer 图像分支，将 16 个可解释的数值描述符与 WSST 时频图相结合。在 48-kHz 驱动端实验室设置下，单次测试运行达到了 99.95% 的准确率。在完成的重复 A1–A8 消融实验中，完整配置达到了 99.72 ± 0.18% 的准确率和 99.64 ± 0.20% 的 F1 分数，分别比仅数值 + SENet 和仅 WSST + Swin 的变体高出 6.45 和 3.24 个准确率百分点。评估在分窗之前将原始记录划分为训练、验证和测试子集，且数据依赖的预处理仅基于训练数据进行估计。完成的跨负载评估以及对 16 条未标记的真实列车轴承记录的定性分析扩大了证据范围；向带标签的真实列车、跨设备及跨传感器设置的定量泛化仍需要专门的验证。