基于特征交叉注意力机制融合的轴承故障诊断方法

来源：振动与冲击杂志2025年第12期北京时间：

作者：赵国超, , 刘崇德llccdd, 宋宇宁, 金鑫, , 李伟华

单位：1.辽宁工程技术大学机械工程学院，辽宁 阜新123000；2.矿山液压技术与装备国家地方联合工程研究中心，辽宁 阜新123000；3.营口理工学院机械与动力工程学院，辽宁 营口115014

摘要：为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题，本文提出一种基于特征交叉注意力机制融合的轴承故障诊断方法，建立CNN-BiTCN-CATTM诊断模型。采用变分模态分解和快速傅立叶变换对原始信号进行重构，分别使用双向时间卷积网络（bidirectional temporal convolutional network，BiTCN）和卷积神经网络（convolutional neural network，CNN）提取时频特征，通过交叉注意力机制（cross-attention mechanism，CATTM）融合时频特征的能力，充分提取原始信号故障特征，利用全连接层实现滚动轴承故障类型的精确诊断。试验研究表明，在含信噪比为9.32、标准差为2.98的高斯白噪声的环境下，使用CNN-BiTCN-CATTM模型轴承故障分类准确率为99.88%，相较于使用CNN、BiTCN和结合自注意力机制的卷积神经网络（CNN with self-attention mechanism，CNN-SATTM）诊断轴承故障，准确率分别提升约22.79%、4.85%和4.19%。在引入信噪比为3.31、标准差为5.96的高斯白噪声时，本模型仍然可以达到96.12%的诊断准确率。CNN-BiTCN-CATTM模型能够深入提取轴承信号中的故障特征，有效提高故障分类准确性。<br>

关键词：滚动轴承；故障诊断；双向时间卷积网络；时频融合；交叉注意力机制