FE-MCFormer：基于时频融合变换器的旋转机器人强噪声下可解释故障诊断框架
信号处理
2025-12-12 v2 计算机视觉与模式识别
摘要
许多旋转机器人故障诊断方法基于从关键部件（如轴承）收集的信号中提取判别性特征。然而，在复杂运行条件下，与弱故障信息相关的周期脉冲特征常被噪声干扰所遮蔽。Consequently，现有方法在此类情境下难以学习可解释的故障相关特征。本文提出一种新型变换器框架 (FE-MCFormer)，以提取可解释时频特征，旨在提高旋转机器人在强噪声下的故障检测准确性和可解释性。首先，引入傅里叶自适应重构嵌入层作为模型的全局信息编码器。随后，设计时频融合模块，进一步提高模型的鲁棒性和可解释性。通过三个案例研究验证了 FE-MCFormer 在机器人故障诊断中的有效性。
引用
@article{arxiv.2505.06285,
title = {FE-MCFormer: An interpretable fault diagnosis framework for rotating machinery under strong noise based on time-frequency fusion transformer},
author = {Yuhan Yuan and Xiaomo Jiang and Haibin Yang and Haixin Zhao and Shengbo Wang and Xueyu Cheng and Jigang Meng and Shuhua Yang},
journal= {arXiv preprint arXiv:2505.06285},
year = {2025}
}