%0 Journal Article
%A 陈志刚1
%A 2
%A 陶子纯1
%A 王衍学1
%A 魏梓书1
%T 基于混合注意力的TCN-Transformer行星齿轮箱故障诊断方法
%D 2025
%R 
%J 振动与冲击
%P 348-358
%V 44
%N 20
%X 针对现有智能故障诊断模型在处理多通道信号时面临的泛化能力不足、依赖人工特征设计以及跨通道关联建模薄弱等问题，本文提出一种基于TCN-Transformer的端到端多通道信号自适应诊断模型。该模型通过时间卷积网络(Temporal Convolutional Network, TCN)与Transformer的级联架构，构建局部特征提取与全局依赖建模的协同学习机制：TCN模块利用因果卷积逐层捕获信号局部时频模式，其残差连接设计有效缓解深层网络的信息衰减；特征重组阶段提出单向补丁(Unidirectional Patch, UDP)的序列标记方法，将多通道时序信号切割为具有位置编码的高维片段序列，避免传统分块策略的边界失真问题。在Transformer编码层中，创新性融合通道注意力与多头自注意力机制，形成同时关注通道特征和位置关系的混合注意力模块，增强不同传感器信号间的互补性表征。实验表明，该模型在行星齿轮箱多传感器诊断任务中达到98%的识别准确率。<br>
%U https://jvs.sjtu.edu.cn/CN/abstract/article_14564.shtml