基于双域抗噪编码与门控循环Transformer的轴承故障诊断OA

针对强噪声非平稳环境下滚动轴承故障信号关键特征易被淹没而导致诊断性能下降的难题,提出一种双域抗噪编码与协同注意力混合解码模型.首先,该模型构建一个双域抗噪编码器,其时域残差收缩分支可自适应学习阈值以抑制干扰,同时波域可微分小波卷积分支用以捕获多尺度频率结构,二者共同实现鲁棒的多域特征表示;其次,模型设计双域协同注意力模块,通过双向交互与门控调节实现时域、波域特征的动态协同与自适应融合,进而提升高噪声下的特征融合能力;最后,开发门控循环Transformer解码器组件,将Transformer自注意力机制与GRU循环门控机制深度融合,在统一的特征空间内同步实现全局建模与局部时序依赖提取的高效平衡.基于凯斯西储大学与帕德博恩大学轴承数据集的实验表明,该模型在标准工况下准确率达到100%,且在强噪声下仍保持高准确率,充分体现了其优越的抗噪性与鲁棒性.