机床与液压

作者：陈桂林，王世松，王雷，余小南

单位：成都理工大学机电工程学院；成都理工大学机电工程学院；数控装备超精密驱动与传动四川省工程研究中心；成都理工大学机电工程学院；成都理工大学机电工程学院

关键词：滚动轴承;故障诊断;残差网络;可分离卷积;注意力机制

受机器人实际运行过程中的机械振动、电磁耦合及外界干扰等多因素综合影响，其关节滚动轴承的振动信号易受到强噪声干扰，对有效识别其早期微弱故障特征造成严峻挑战。为此，提出一种多尺度卷积注意力融合残差网络(MSCAFRN)的抗噪轴承故障诊断方法。通过深度可分离残差模块增强微弱故障特征的表征能力，随后构建多尺度可分离卷积结构进一步提取关键特征，结合多头、空间与通道注意力机制自适应强化关键特征，实现从局部到全局的特征建模与噪声抑制；最后，利用凯斯西储大学和东南大学的公开数据集，在不同噪声标签干扰与噪声环境干扰下分别对滚动轴承故障进行识别与分类，验证模型的有效性。结果表明：在训练集10%噪声标签干扰下，MSCAFRN模型在凯斯西储大学和东南大学数据集上的诊断准确率分别为99.5%、99.8%；在信噪比为-6 dB的强噪声环境下，MSCAFRN模型在凯斯西储大学和东南大学数据集上的诊断准确率分别为(96.09±0.18)%、(95.71±1.01)%，均优于其他对照模型，且信噪比的变化对其影响最小，证明了所提MSCAFRN具有较强的抗噪性和鲁棒性。

来源：2025年第24期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第24期