基于多尺度时频门控注意力网络的轴承故障诊断

摘要

针对轴承故障诊断中单一尺度时频分辨率受限及跨尺度特征难以自适应融合等问题，本文提出了一种多尺度时频门控注意力网络(MS-TF-GateNet)的轴承故障诊断方法。首先，通过并行多尺度短时傅里叶变换(STFT)构建多分辨率时频表征，实现瞬态与稳态特征的同步捕捉；其次，结合谱域轻量卷积与门控注意力机制，动态学习各尺度特征的权重分配，并有效融合关键判别特征；最后，在训练中引入混合数据增强(MixUp)、单周期学习率调度(OneCycleLR)及指数移动平均(EMA)等多种策略，增强模型稳定性与泛化能力，避免过拟合。实验结果表明：所提方法的准确率达94.2%,性能显著优于其他主流基线模型，验证了其在复杂工况下的有效性。

关键词

故障诊断 / 多尺度短时傅里叶变换(STFT) / 门控注意力 / 特征融合 / 多尺度时频门控注意力网络(MS-TF-GateNet)