基于 CNN-Transformer 交互融合网络的航空活塞发动机进排气故障诊断

来源：振动与冲击杂志2025年第21期北京时间：

作者：盛润，徐劲松76069，韦宝涛，王博

单位：昆明理工大学民航与航空学院，昆明650500

摘要：针对航空活塞发动机振动信号中表征故障的关键特征易被噪声淹没，现有模型难以全面刻画复杂信号的挑战，提出了一种基于卷积神经网络（convolutional neural network，CNN）-Transformer交互融合网络（CNN-Transformer interactive fusion network, CTIF）的航空活塞发动机进排气故障诊断方法。首先，设计的CNN-Transformer双分支并行结构充分发挥各自优势，分别从原始振动信号中提取局部细节特征和全局时序特征。在此基础上，引入交叉注意力（Cross Attention, CA）特征交互融合模块，通过注意力权重分配动态关联两类特征的关键信息，实现局部与全局特征的深度融合。最终，全面刻画出表征发动机进排气故障的振动特征，从而实现高精度的故障诊断。试验结果表明，该模型在不同工况下的三个数据集上均实现了99.40%以上的测试准确率，即使在噪声干扰下依旧保持了良好的诊断性能，与现有的诊断模型相比，具有更强的泛化性和鲁棒性。<br>

关键词：航空活塞发动机；进排气故障；卷积神经网络（CNN）；Transformer；交叉注意力