计算机工程

作者：火久元, 李昕, 常琛, 张耀南

单位：1. 兰州交通大学电子与信息工程学院, 甘肃 兰州 7300702. 国家冰川冻土沙漠科学数据中心, 甘肃 兰州 730000

关键词：滚动轴承,故障诊断,卷积神经网络,短时傅里叶变换,Swin Transformer

基金：国家自然科学基金(62262038); 甘肃省重点研发计划-工业项目(22YF7GA145)

滚动轴承是机械设备中的常用部件, 传统方法难以对多噪声环境下具有众多复杂特征的信号进行分类, 并且常在一维数据上通过经典深度学习模型进行故障诊断, 无法对复杂特征进行充分提取。因此, 提出一种基于ACNN-LFSwin Transformer的双通道故障诊断方法, 分别在一维数据和二维图像上进行故障诊断。首先, 对原始信号分别进行基于完全自适应指数模型分解(CEEMDAN)与短时傅里叶变换(STFT)处理, 获取模态分量(IMF)与二维图像; 然后, 在通道1中将CEEMDAN分解后的IMF送入基于注意力机制的卷积神经网络(ACNN)中进行特征提取, 在通道2中将轴承数据构成的二维图像作为局部特征提取的Swin Transformer网络(LFSwin Transformer)的输入, 进行图像特征提取; 最后, 将两通道特征进行串联融合, 以进行故障诊断, 其中, ACNN运用注意力机制对信号特征进行自动权重分配, 以强调关键特征, LFSwin Transformer模型在传统Swin Transformer的基础上进行向量转换, 将输入向量转换为图像并对其进行卷积操作, 使模型在故障局部特征提取方面更具优势。分别采用CWRU数据集和帕德博恩数据集进行实验验证, 结果表明, 该方法的故障诊断准确率达97%以上, 说明所提方法不仅能对多种故障进行精确诊断, 还能有效避免复杂噪声的干扰。

来源：2026年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第5期