文章详情

摘要

针对现有滚动轴承故障诊断中，振动信号的单一表征难以稳定提取机理相关特征这一问题，文章提出物理引导双分支网络（PBINet）来提高故障诊断中对故障特征的识别性能，该方法通过将时域原始信号和经过变换的包络谱作为输入，分别通过双卷积分支提取冲击特征和带频结构特征，并引入门控融合机制实现通道自适应加权，完成两类特征的互补融合和判别学习。所提方法在CWRU与uOttawa数据集上进行了实验验证，在两个数据集上分别达到99.2%和100%的诊断准确率，结果表明，该方法能够在复杂工况下实现较高精度的故障诊断。

关键词

滚动轴承；故障诊断；特征融合；双分支网络

参考文献

1. [1] 吕帆，徐凯，孙翔宇，等.基于物理机制数据生成的迁移学习轴承故障诊断研究[J/OL].机床与液压（2025-12-25）[2026-01-04].https://link.cnki.net/urlid/44.1259.th.20251225.0918.006.
2. [2] 曾信凌，龙江，魏友，等.基于VMD-CWT和Swin Transformer的滚动轴承故障诊断方法 [J].机械制造与自动化，2025，54（6）：18-23，34.
3. [3] WANG Y X，RICHARD M，XIANG J W，et al. Research on variational mode decomposition and its application in detecting rub-impact fault of the rotor system [J].Mechanical Systems and Signal Processing，2015，60/61：243-251.
4. [4] MENG L J，XIANG J W，WANG Y X，et al.A hybrid fault diagnosis method using morphological filter–translation invariant wavelet and improved ensemble empirical mode decomposition [J].Mechanical Systems and Signal Processing，2015，50/51：101-115.
5. [5] LI X F，XIE F Q，PAN X L，et al. Intelligent fault diagnosis for a wind turbine gearbox via multisensor information fusion with adaptive weights [J].Energy，2025，335：138352.
6. [6] 吴月超，郑波.基于MLP-Mixer-BiGRU融合网络的滚动轴承故障诊断方法 [J].科技创新与应用，2025，15（36）：157-160.
7. [7] SMITH W A，ROBERT B R. Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study [J].Mechanical Systems and Signal Processing，2015，64/65：100-131.
8. [8] MERT S，DUMOND P，BOUCHARD M.University of Ottawa constant load and speed rolling-element bearing vibration and acoustic fault signature datasets [J/OL].Data in Brief，2023，49：109327（2023-06-21）.https://doi.org/10.1016/j.dib.2023.109327.
9. [9] 薛彬，李英顺，郭占男，等.基于多尺度ResNet特征融合的轴承故障诊断 [J].控制工程，2025，32（9）：1652-1658.
10. [10] 高凯，李勋豪，胡林，等.基于多头注意力的CNN-LSTM的换道意图预测 [J].机械工程学报，2022，58（22）：369-378.

基金项目

2024年浙江工业职业技术学院校级高层次教学质量管理项目；2024年浙江工业职业技术学院校级高层次教学建设培育项目

作者简介

韩世杰（1997—），男，汉族，浙江绍兴人，助教，硕士研究生，研究方向：故障诊断、人工智能。