基于RSAN和EEMD的MKSVM多模态融合旋转机械故障分类

来源：振动与冲击杂志2025年第9期北京时间：

作者：刘东LewistWHU, 谭鋆, 龙小波, 赵杰, 赵志高

单位：1.中国长江电力股份有限公司，武汉430000；2.湖北省智慧水电技术创新中心，武汉430000；3.三峡大学水电机械设备设计与维护湖北省重点实验室，湖北 宜昌443002；4.武汉大学水利水电学院，武汉430000)

摘要：针对真实场景下旋转机械的故障振动信号存在样本数量不足和具备较强复杂性的问题，思考单一模态下故障诊断的限制，提出一种基于残差空间注意力网络(residual spatial attention network，RSAN)和集合经验模式分解(ensemble empirical mode decomposition，EEMD)的多核支持向量机(multi-kernel support vector machine，MKSVM)多模态融合旋转机械故障分类方法。首先，对原始数据进行小波阈值去噪处理，将降噪的一维信号转化为二维递归图；然后，设计RSAN结构，输入训练集的递归图进行训练，捕获故障信号的递归特征；随后，计算EEMD的固有模态函数（intrinsic mode function，IMF）的样本熵，基于其变异系数来选取故障信号的时域特征。最后，利用MKSVM对多模态特征向量进行高维映射和融合，完成旋转机械的故障分类。结果表明，在少样本的转子和轴承故障数据上准确率分别达到100%和98.3%，证明该方法具备良好的可行性。<br>

关键词：故障诊断；残差网络；注意力机制；支持向量机；特征融合