%0 Journal Article
%A 赵国超1
%A 2
%A 刘崇德1
%A 宋宇宁3
%A 金鑫1
%A 2
%A 李伟华1
%T 基于特征交叉注意力机制融合的轴承故障诊断方法
%D 2025
%R 
%J 振动与冲击
%P 228-237
%V 44
%N 12
%X 为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题，本文提出一种基于特征交叉注意力机制融合的轴承故障诊断方法，建立CNN-BiTCN-CATTM诊断模型。采用变分模态分解和快速傅立叶变换对原始信号进行重构，分别使用双向时间卷积网络（bidirectional temporal convolutional network，BiTCN）和卷积神经网络（convolutional neural network，CNN）提取时频特征，通过交叉注意力机制（cross-attention mechanism，CATTM）融合时频特征的能力，充分提取原始信号故障特征，利用全连接层实现滚动轴承故障类型的精确诊断。试验研究表明，在含信噪比为9.32、标准差为2.98的高斯白噪声的环境下，使用CNN-BiTCN-CATTM模型轴承故障分类准确率为99.88%，相较于使用CNN、BiTCN和结合自注意力机制的卷积神经网络（CNN with self-attention mechanism，CNN-SATTM）诊断轴承故障，准确率分别提升约22.79%、4.85%和4.19%。在引入信噪比为3.31、标准差为5.96的高斯白噪声时，本模型仍然可以达到96.12%的诊断准确率。CNN-BiTCN-CATTM模型能够深入提取轴承信号中的故障特征，有效提高故障分类准确性。<br>
%U https://jvs.sjtu.edu.cn/CN/abstract/article_14282.shtml