机床与液压

作者：任义，倪瑶，栾方军，袁帅

单位：沈阳建筑大学计算机科学与工程学院；沈阳建筑大学计算机科学与工程学院；沈阳建筑大学计算机科学与工程学院；沈阳建筑大学计算机科学与工程学院

关键词：滚动轴承;故障诊断;时空特征;交叉注意力

基金：国家自然科学基金面上项目（62073227）；辽宁省科学技术厅基金项目（1668585108607）

针对现有滚动轴承故障诊断模型存在的诊断精度低、泛化能力差、特征提取不足等问题，提出一种基于VFMCNN-BiLSTM模型的时空特征融合故障诊断方法。将信号分别进行快速傅里叶变换和变分模态分解，提取频域和时域关键信息，并将两类特征垂直叠加作为模型输入。通过不同尺度卷积结构构建空间特征提取模块来提取丰富的全局空间特征，同时利用BiLSTM提取时序特征，并通过自注意力机制进一步增强时序特征提取能力，最后利用交叉注意力机制将空间特征和时序特征进行融合，从而提升故障特征的提取能力。为验证所提方法的有效性，在CWRU和PU轴承数据集上进行测试。结果表明：所提方法在CWRU和PU数据集上的平均诊断准确率分别达99.96%和99.94%，显著优于Vgg16、1DCNN、CNN-BiLSTM等对比模型；抗噪声干扰试验表明，在强噪声环境下，模型在A2和PU2数据集上仍能保持85%以上的诊断准确率；混淆矩阵与t-SNE可视化结果进一步证实了模型对各类故障清晰的区分能力。所提VFMCNN-BiLSTM模型通过并行提取并深度融合时空特征，有效提升了滚动轴承故障诊断的精度与泛化能力，在单一故障、混合故障及强噪声干扰环境下均表现出良好的可靠性。

来源：2026年第2期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第2期