一个多通道的多尺度的时空空间卷积交叉注意力融合网络用于轴承故障诊断
Ruixue Li1, Guohai Zhang1,2, Yi Niu1
1College of Agricultural Engineering and Food Science, Shandong University of Technology, Zibo 255200, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
这项研究引入了一种先进的轴承故障诊断方法,使用一种新的时空卷积交叉注意力融合网络. 该技术有效地提高了诊断准确度,即使在杂的条件下,也优于现有的多传感器融合方法.
科学领域:
- 机械工程 机械工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 轴承是机械系统中的关键组件,它们的故障诊断对于运行安全至关重要.
- 传统的故障诊断方法在强大的噪音干扰下难以准确.
研究的目的:
- 开发一种强大的轴承故障诊断技术,克服传统方法的局限性,特别是在杂的环境中.
- 提高机械传动系统故障诊断的准确性和可靠性.
主要方法:
- 利用连续波波变换 (CWT) 将1D声波和振动信号转换为2D时间频率图像.
- 开发了一个多通道,多尺度的时空卷积交叉注意力融合网络,包含ResNet,MTCM,MFE和DCA模块.
- 采用双重交叉注意力机制,有效地融合多传感器数据.
主要成果:
- 拟议的方法在两个基准数据集上的轴承故障诊断方面表现出卓越的性能.
- 实验结果证实了该技术在处理强噪声干扰方面的有效性.
- 该方法的性能优于现有的五种先进的多传感器融合诊断技术.
结论:
- 开发的多通道,多尺度的时空卷积交叉注意力融合网络在轴承故障诊断方面取得了重大进展.
- 这种方法为机械系统监控和维护提供了更准确,更可靠的解决方案.
- 这些发现突显了深度学习和传感器融合在改善工业诊断方面的潜力.
