机床与液压

作者：付文龙，李帅，郑波，祝鑫锋，熊浩伟?，邵孟欣

单位：三峡大学电气与新能源学院；三峡大学梯级水电站运行与控制湖北省重点实验室；三峡大学电气与新能源学院；三峡大学电气与新能源学院；三峡大学电气与新能源学院；三峡大学电气与新能源学院；三峡大学电气与新能源学院

关键词：滚动轴承;故障诊断;多尺度残差注意力网络;自适应Transformer编码器

基金：国家自然科学基金项目（51741907）

针对滚动轴承振动信号故障特征的多尺度性与时序依赖性，为克服传统卷积神经网络（CNN）在相关特征提取方面的局限，提升复杂工况下的故障诊断精度与模型效率，提出一种基于多尺度残差注意力网络（MSRAN）和自适应Transformer编码器（ATE）的滚动轴承故障诊断模型——MSRAN-ATE。通过MSRAN提取多尺度故障特征，并通过残差连接增强特征传递，同时结合通道注意力机制优化特征表达，减少冗余并提升计算效率。引入ATE提取信号时序特征，并通过自适应位置编码，使模型学习时序信息。将融合特征经过全局平均池化处理，并输入Softmax层进行故障诊断。最后，为验证该模型的有效性，在机械故障模拟实验台轴承数据集上进行实验。结果表明：t-SNE可视化表明，经MSRAN-ATE模型提取后的特征聚类清晰，各类故障得到有效区分；测试集在4种转速下的混淆矩阵对角线元素均为最大值52，表明MSRAN-ATE模型具备精确的分类能力，且模型训练迭代10轮便收敛稳定，相较于对比模型训练速度更快；在4种不同转速的测试集上均取得最高准确率，均高于99.8%，优于对比的CNN、ResNet等基准模型。该模型为在复杂运行状态下实现滚动轴承高精度、高效率的智能故障诊断提供了有效的解决方案。

来源：2026年第6期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第6期