轴承故障诊断的多模态融合与注意力机制研究

本研究报告介绍一项由Jianjian Yang、Haifeng Han（通讯作者）等来自中国矿业大学（北京）和国家应急管理部智能采矿与机器人重点实验室的研究团队于2025年2月在《Appl. Sci.》（2025, 15, 1531）发表的原创研究。该研究提出了一种名为FAN-BD（Fusion Attention Network for Bearing Diagnosis）的新型轴承故障诊断方法，通过融合振动与电流信号并结合注意力机制，显著提升了诊断准确性（97.5%）。

学术背景
轴承故障是矿业机械（如起重机、输送机）失效的主要诱因，可能导致设备停机和安全事故。传统诊断方法依赖人工特征提取（如时频分析）和浅层模型（如支持向量机），存在主观性强、泛化性差等缺陷。深度学习虽能自动提取特征，但现有算法如CNN（卷积神经网络）或ViT（Vision Transformer）在多模态信号融合和全局-局部特征协同方面仍有不足。本研究旨在通过改进ViT结构，结合电流与振动信号的互补性，实现更高效的故障诊断。

研究流程与创新方法

1. 数据预处理

   • 研究对象：采用公共数据集（Vibration, Acoustic, Temperature, and Motor Current Dataset）中的振动信号（4通道，25.6 kHz采样率）和电流信号（3通道，100 kHz采样率），涵盖正常、内圈故障、外圈故障和滚动体故障四种状态。
     
   • 信号转换：将256×4的振动信号和256×3的电流信号归一化至0-255范围，通过3层CNN（卷积核分别为3×3和1×1）转换为16×16单通道灰度图像，保留关键特征（图1）。
     

2. FAN-BD模型设计

   • 局部特征提取：使用小卷积核（3×3）和步长优化，增强对信号局部细节的捕捉能力。
     
   • 全局特征整合：通过ViT的自注意力机制（Self-Attention）分析图像全局关联性，弥补CNN的局限性。
     
   • 多模态融合：创新性引入通道多头注意力机制（CBMA），动态校准振动与电流特征的权重。具体流程包括：
     
     • 将ViT提取的两种信号特征拼接（公式5）。
       
     • 通过CBMA生成查询（Query）、键（Key）、值（Value），计算注意力权重（公式6-7）。
       
     • 多头注意力（公式8-9）与多层感知机（MLP，公式10）进一步融合特征，最终通过线性层分类（公式11）。
       

3. 实验验证

   • 对比模型：CBMA-ViT、ViT、Swin Transformer和ConvNeXt。
     
   • 评价指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数。
     
   • 训练配置：PyTorch框架，Intel i7-8250U CPU与NVIDIA MX150 GPU，训练集与测试集比例7:3。
     

主要结果
1. 分类性能：FAN-BD在测试集上达到97.5%准确率，显著高于对比模型（CBMA-ViT 92.9%、Swin Transformer 93.1%）。具体表现为：
- 四类故障的精确率均超过97%（表4），外圈故障检测的召回率达98%。
- 混淆矩阵（图6）显示误分类样本不足10例（总计600例）。
2. 特征融合有效性：t-SNE可视化（图7）表明，FAN-BD的特征分布更紧密且类别边界清晰，而其他模型存在明显重叠（图10）。
3. 收敛速度：损失函数曲线（图9）显示FAN-BD的收敛速度最快，且最终损失值最低，印证其优化效率。

结论与价值
1. 科学价值：
- 提出了一种新型多模态融合框架，首次将CBMA机制应用于轴承故障诊断，证明了跨模态注意力校准的可行性。
- 揭示了电流信号在外圈故障检测中的互补作用（图5显示电流不平衡现象）。
2. 应用价值：为工业场景中的实时故障监测提供了高鲁棒性解决方案，尤其适用于复杂工况下的矿业设备维护。
3. 局限性：模型复杂度较高，可能增加计算成本；未来可探索温度、声学等多模态扩展。

研究亮点
1. 方法创新：FAN-BD结合了CNN的局部特征提取与ViT的全局建模优势，并通过CBMA实现信号动态加权融合。
2. 性能突破：97.5%的准确率为当前同类研究的最高水平之一。
3. 数据集贡献：基于公开多传感器数据验证，增强了结果的可复现性。

其他要点
- 实验数据表明，传统方法（如SVM）在噪声环境下的准确率不足90%，而FAN-BD的注意力机制对噪声具有强鲁棒性。
- 作者计划进一步优化模型轻量化，并探索其在其他旋转机械（如齿轮箱）中的应用。

（注：专业术语如CBMA（Channel-Based Multi-Head Attention）、ViT（Vision Transformer）在首次出现时标注英文原词。）