基于多模态特征融合的滚动轴承故障诊断OA
传统单模态滚动轴承故障诊断模型在工程实践中存在表征能力不足的问题,提出了一种基于时序和图像的多模态融合网络(Multi-Modal Fusion Network,MMFNet)。针对时序模态分支,构建时-频卷积神经网络(Time-Frequency Convolutional Neural Network,TFCNN)同步提取时域和频域特征,充分利用振动信号所包含的时序特征信息;针对图像模态分支,设计了改进的局部特征增强模块(Local Feature Enhancement,LFE)Swin-Transformer模型,即在Swin-Transformer模型前引入局部特征增强模块,以提升图像特征的局部特征表达能力;针对多模态特征融合,提出成对交叉注意力融合方法,避免特征融合时的信息冗余和特征干扰问题。为了验证模型的有效性,使用华中科技大学的滚动轴承数据集来进行实验验证,MMFNet的诊断准确率达到99.00%以上,均高于其他单模态模型。
杨小川;李纲;曹菁菁;吴春霖;李一凡
秦皇岛港股份有限公司技术中心,秦皇岛066002秦皇岛港股份有限公司技术中心,秦皇岛066002武汉理工大学交通与物流工程学院,武汉430063武汉理工大学交通与物流工程学院,武汉430063武汉理工大学交通与物流工程学院,武汉430063
机械制造
多模态融合滚动轴承故障诊断
《现代制造工程》 2026 (9)
P.150-160,135,12
湖北省自然科学基金项目(2022CFB809)。
评论