这篇文档属于类型a，即对一项原创性研究的报告。以下是针对该研究的学术报告：

风电轴承故障诊断新方法：基于高效跨空间多尺度CNN-Transformer并行架构（ECMCTP）的研究报告

作者与机构
本研究由华侨大学机械工程与自动化学院的Qi Chen、Feng Zhang（通讯作者）、Yin Wang、Qing Yu，与Niell公司的Genfeng Lang及Lixiong Zeng共同完成。研究成果发表于《Scientific Reports》2025年第15卷，文章编号12344。

学术背景
风电轴承作为风力发电机组的关键旋转部件，其故障可能导致严重安全事故。传统故障诊断方法面临三大挑战：(1) 依赖专家经验的传统智能方法难以处理大规模数据；(2)噪声环境下诊断性能显著下降；(3)串行结构模型易丢失关键特征信息。针对这些问题，研究团队提出结合CNN（卷积神经网络）和Transformer的并行架构ECMCTP，旨在实现噪声环境下的高精度故障诊断。

研究流程与方法
1. 数据预处理与特征转换
- 研究对象：采用Case Western Reserve University（CWRU）轴承数据集和东南大学（SEU）齿轮箱数据集。CWRU包含10类故障状态（正常、内圈/外圈/滚动体故障，直径0.178-0.533mm），每类1200样本；SEU数据集包含4类状态，每类1024数据点。
- 关键方法：通过连续小波变换（Continuous Wavelet Transform, CWT）将一维振动信号转换为二维时频图像。使用复Morlet小波（cmor）作为母小波，中心频率因子1.5，尺度范围1-256，保留时频域特征。

1. 并行特征提取架构

   • CNN分支：

     • 多尺度特征提取模块：采用3种深度可分离卷积（Depthwise Separable Convolution, DSC）核（3×3、6×6、9×9）并行提取特征。
       
     • 反向残差结构（Reversed Residual Structure, RRS）：结合MobilenetV3的SE模块和H-swish激活函数，缓解梯度消失问题。
       
     • 高效多尺度注意力（EMA）机制：通过横向/纵向1D全局平均池化（Eq.8-9）和跨空间学习增强关键特征捕捉能力。
       

   • Transformer分支：

     • 双向门控循环单元（Bidirectional GRU, BiGRU）捕获双向时序依赖。
       
     • Transformer编码器：8头注意力机制（头维度128），隐藏层维度256，结合前馈神经网络建模全局时序特征。
       

2. 特征融合与分类
   双分支特征在通道维度拼接（Eq.11），通过全连接层和Softmax分类器输出故障概率分布（Eq.12）。Dropout率设为0.3以防止过拟合。

主要结果
1. 诊断性能
- 无噪声条件下，两个数据集均达到100%准确率。
- 噪声实验（SNR=-6dB至6dB）显示：在CWRU数据集上，SNR=-6dB时准确率仍保持95.86%，优于对比模型CrossViT（92.3%）和WDCnn（68.59%）。SEU数据集同样表现稳定，验证模型强鲁棒性。

1. 消融实验验证

   • 移除EMA模块导致准确率下降至99.06%（CWRU）；仅使用BiGRU（无Transformer）时准确率降至94.44%，证明全局时序建模的必要性。
     
   • DSC模块将参数量降至0.26M，比标准CNN减少43%，每轮训练时间缩短42.86%。
     

2. 特征可视化
   t-SNE降维显示：原始信号特征重叠严重（图18a），而ECMCTP输出层特征形成清晰聚类（图18f），证实模型对噪声的过滤能力。

结论与价值
1. 科学价值
- 提出首个结合多尺度CNN与Transformer并行架构的轴承诊断模型，解决了串行结构的信息丢失问题。
- 创新的EMA机制实现跨空间像素级特征检测，计算开销较传统注意力降低35%。

1. 工程应用价值
   
   • 在低信噪比（-6dB）环境下仍保持95%以上准确率，适用于风电现场复杂噪声场景。
     
   • 模型参数量仅0.26M，可在RTX 2070显卡上实现实时诊断（24秒/轮），满足工业部署需求。
     

研究亮点
1. 方法创新：
- 双分支并行架构首次实现时空特征同步提取，准确率较传统串行模型（如CNN-LSTM）提升9.52%。
- 改进的EMA机制通过分组特征重塑技术（Eq.7）避免通道降维，特征完整性提升22%。

1. 技术突破：
   
   • BiGRU-Transformer组合解决了长时序依赖建模难题，在SEU数据集上将滚动体故障识别率提高至100%。
     
   • 多尺度DSC模块参数量仅为标准卷积的1/8，推理速度提升3倍。
     

其他发现
研究团队指出当前局限：实验数据仍依赖人工加噪模拟，未来将通过实际风电现场数据验证。此外，计划结合迁移学习探索小样本条件下的模型适应性（参见文献52）。数据与代码已开源：https://github.com/e62005/fault_diognosis_dataset.git