针对轴承故障诊断中长时域信息建模效率低和时频图像边缘特征提取不足的问题,提出一种级联状态空间建模与动态边缘上下文感知(dynamic edge-contextual aware mamba-transformer,DECAMambaT)的双流故障诊断方法。该方法针对原始振动数...针对轴承故障诊断中长时域信息建模效率低和时频图像边缘特征提取不足的问题,提出一种级联状态空间建模与动态边缘上下文感知(dynamic edge-contextual aware mamba-transformer,DECAMambaT)的双流故障诊断方法。该方法针对原始振动数据的一维时域信息,构建了时域状态流,相较于平方复杂度的Transformer,该方法进行状态空间建模以形成Mamba-Transformer编码器,在精确捕捉短程局部模式的同时,以线性复杂度高效建模长程依赖,有效表征时域敏感特征。同时,构建了时频边缘流,利用小波变换获得原始振动数据的二维时频图像,相较于卷积神经网络仅依赖固定滤波器提取边缘特征,该方法设计可微分边缘敏感掩码实现时频图像冲击特征与背景噪声的自适应分离。此外,设计边界内容感知自适应填充模块保持图像边界拓扑完整性;二者协同构成动态边缘上下文感知卷积,有效提取时频边缘特征。最后,与简单拼接时域与时频域特征的融合策略不同,通道增强与通道门控模块被设计以建立动态通道交互门控机制,生成特征增强向量与动态门控权重,来自适应级联双流信息,实现时域-时频域双向增强的联合表征,显著提升故障判别能力。试验表明,该方法在CWRU(Case Western Reserve University)数据集和自建试验台轴承数据集AUST(Anhui University of Science&Technology)上的平均准确率分别达到了99.87%和99.33%,验证了其有效性。展开更多
文摘针对轴承故障诊断中长时域信息建模效率低和时频图像边缘特征提取不足的问题,提出一种级联状态空间建模与动态边缘上下文感知(dynamic edge-contextual aware mamba-transformer,DECAMambaT)的双流故障诊断方法。该方法针对原始振动数据的一维时域信息,构建了时域状态流,相较于平方复杂度的Transformer,该方法进行状态空间建模以形成Mamba-Transformer编码器,在精确捕捉短程局部模式的同时,以线性复杂度高效建模长程依赖,有效表征时域敏感特征。同时,构建了时频边缘流,利用小波变换获得原始振动数据的二维时频图像,相较于卷积神经网络仅依赖固定滤波器提取边缘特征,该方法设计可微分边缘敏感掩码实现时频图像冲击特征与背景噪声的自适应分离。此外,设计边界内容感知自适应填充模块保持图像边界拓扑完整性;二者协同构成动态边缘上下文感知卷积,有效提取时频边缘特征。最后,与简单拼接时域与时频域特征的融合策略不同,通道增强与通道门控模块被设计以建立动态通道交互门控机制,生成特征增强向量与动态门控权重,来自适应级联双流信息,实现时域-时频域双向增强的联合表征,显著提升故障判别能力。试验表明,该方法在CWRU(Case Western Reserve University)数据集和自建试验台轴承数据集AUST(Anhui University of Science&Technology)上的平均准确率分别达到了99.87%和99.33%,验证了其有效性。
