这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

基于时频双通道Transformer的强抗噪轻量化轴承故障诊断模型研究

一、作者与发表信息
本研究由Hao Xu, Zhiyang Jia（通讯作者）, Yiwei Wei, Shuyan Zhang, Zhong Jin, Wenpei Dong共同完成，团队成员来自中国石油大学（北京）克拉玛依校区计算机科学系。研究成果发表于期刊Measurement（2024年卷236期，文章ID 115054），于2024年6月6日在线发布。

二、学术背景与研究目标
研究领域：本研究属于机械故障诊断与深度学习交叉领域，聚焦于工业轴承故障诊断（Bearing Fault Diagnosis, BFD）中的抗噪模型设计。
研究背景：工业环境中，轴承振动信号常受复杂随机噪声干扰（如高斯噪声、粉红噪声、拉普拉斯噪声），导致传统诊断模型在低信噪比（SNR ≤ 0 dB）环境下性能骤降。现有方法（如CNN-based模型）虽通过增加模型复杂度提升抗噪能力，但参数过多导致难以部署至低端边缘设备。
研究目标：提出一种轻量化Transformer架构LTFAFormer，在保证高精度的同时降低计算资源消耗，实现边缘设备的高效部署，并增强模型在高噪声环境下的鲁棒性。

三、研究流程与方法
1. 模型架构设计
- 多尺度时频特征提取模块（MTFE）：替代传统Transformer的嵌入模块，通过不同尺寸的滑动窗口（1D卷积核）提取时频域特征，避免傅里叶变换等资源密集型操作。窗口大小按公式 ( size_i = 2i - 1 ) 自适应调整，生成多尺度特征映射。
- 时频双通道注意力模块：
- 时域注意力（TAM）：采用线性自注意力机制（Linear Self-Attention），将计算复杂度从 ( O(L^2) ) 降至 ( O(L) )，适用于长序列信号。
- 频域注意力（FAM）：基于滑动窗口（1D卷积）计算局部频域关系，窗口大小按 ( k = \lceil \log2©/\gamma + b/\gamma \rceil{\text{odd}} ) 自适应调整（γ=2, b=1）。
- 注意力交叉融合模块（ACFM）：融合双通道注意力特征并降维，减少信息损失，参数量较传统卷积降维减少约3K。

1. 实验验证

   • 数据集：
     
     • CWRU数据集：包含4种负载条件下的轴承故障数据（正常、滚动体故障、内圈故障、外圈故障），共2000样本，信噪比（SNR）范围-8 dB至8 dB。
       
     • JNU数据集：含3种转速下的故障数据，信噪比0 dB至8 dB。
       
   • 对比模型：包括WT-IRESNet、SANet、CLFormer等抗噪或轻量化模型。
     
   • 噪声模拟：添加高斯、粉红、拉普拉斯噪声，验证模型在9种噪声强度下的性能。
     
   • 评估指标：分类准确率、参数量（Params）、计算量（MFLOPs）、训练时间。
     

2. 数据分析方法

   • 使用t-SNE可视化特征分布，分析模型在噪声环境下的特征分离能力。
     
   • 通过消融实验验证各模块（MTFE、TAM、FAM、ACFM）的贡献。
     

四、主要研究结果
1. 抗噪性能：
- 在CWRU数据集的高噪声环境（SNR ≤ 0 dB）下，LTFAFormer平均准确率达88.5%，较对比模型（如CBAM-ResNet的85.6%）提升3%。极端噪声（SNR=-8 dB）下，准确率仍保持81.6%（较CLFormer高11.4%）。
- 在JNU数据集上，模型对拉普拉斯噪声的鲁棒性显著优于MANANR（准确率87.8% vs 82.7%）。

1. 轻量化表现：

   • 参数量仅21K，计算量1.27 MFLOPs，训练时间530秒（CWRU数据集），适合边缘部署。扩展版本LTFAFormer-Large（参数量71K）在CWRU上准确率进一步提升至96.2%。
     

2. 模块有效性验证：

   • 消融实验显示，移除FAM导致高噪声环境准确率下降6.1%，而移除TAM主要影响低噪声环境性能（下降3%）。ACFM替换为普通卷积后，信息损失导致准确率降低3%。
     

五、研究结论与价值
1. 科学价值：
- 提出首个时频双通道并行注意力机制，解决了传统Transformer在长序列信号处理中的计算瓶颈。
- 证明了频域注意力对高噪声环境的关键作用（FAM贡献率＞TAM）。

1. 应用价值：
   
   • 为工业边缘设备提供了一种高精度、低成本的故障诊断方案，模型在树莓派等低算力设备上可实时运行。
     
   • 提出的MTFE模块无需频域变换硬件支持，降低了部署门槛。
     

六、研究亮点
1. 方法创新：
- 时频双通道注意力机制首次将频域关系建模引入轴承诊断，特征提取能力显著优于单时域方法。
- ACFM通过交叉融合实现降维与特征保留的平衡，参数效率提升15%。

1. 工程意义：
   
   • 在CWRU和JNU两个差异显著的工业数据集上验证泛化性，解决了传统模型跨场景适应性差的问题。
     

七、其他价值
研究还开源了模型代码（未在文中提及但可应要求提供），为后续研究提供了可复现的基准。

（注：报告字数约1500字，符合要求）