Abstract:

摘要： 滚动轴承故障诊断对于工业设备的可靠运行至关重要，传统方法在复杂工况下的诊断精度和鲁棒性仍有待提高。为更有效地挖掘滚动轴承的故障特征，提高故障诊断准确率，提出一种基于多尺度自适应卷积Transformer(Multiscale Adaptive Convolutional Transformer，MACT)的滚动轴承故障诊断方法。首先，搭建滚动轴承故障实验平台，使用加速度传感器采集电机风扇端不同状态滚动轴承多种工况下的振动信号；其次，将采集到的一维振动信号通过多尺度卷积神经网络分别处理时域特征、频域特征，深入挖掘多维度特征，引入通道注意力机制对特征通道进行自适应加权，提升融合效果；最后，通过局部卷积模块进一步深化特征，全局特征提取模块捕获振动信号的全局特征，利用自适应混合模块实现对不同特征的动态融合，增强模型对微弱故障特征的识别能力。在此基础上，通过不同的滚动轴承
实验数据验证该方法的有效性，并与MCNN、CNN-LSTM、Transformer、AdaMCT进行实验对比分析，结果表明，所提出方法在故障识别准确率上优于现有方法，达到99.8 %。该模型在不同噪声水平下也有较高的诊断精度，进一步证明该方法的优越性，可为工业领域的滚动轴承诊断提供新方法。

关键词: 故障诊断, 滚动轴承, Transformer, 多尺度, 注意力机制, 局部卷积