基于可靠性引导的自适应特征融合网络用于抗噪声轴承故障诊断

由于训练和测试噪声条件的不匹配，跨噪声故障诊断仍然具有挑战性，这降低了特征的可靠性和模型的泛化能力。为了解决这个问题，本文提出了一种基于可靠性引导的自适应特征融合框架（RGAF-Net）。该方法专注于样本级自适应特征融合，采用增强的宽第一层卷积神经网络（WDCNN）主干，以改善噪声环境下的多尺度特征提取。此外，引入了双路径架构，以提供互补表示，包括全局鲁棒的结构表示和局部细节敏感的结构响应。此外，设计了一个轻量级的可靠性估计模块，以表征每个输入样本在噪声条件下的信号退化趋势，在此基础上，样本级路由机制在特征融合过程中动态调整特征贡献。在两个公共轴承数据集（PU和JNU）下的跨噪声设置实验表明，所提出的方法相比于代表性方法在性能上有所提升，特别是在严重噪声条件下。例如，在JNU数据集中在−10 dB时，所提出的方法相比于基线WDCNN提高了19个百分点以上的Macro-F1分数。消融研究和可视化分析进一步证明了所提出框架的有效性和自适应融合特性。结果表明，所提出的方法为噪声不匹配场景下的鲁棒故障诊断提供了有效解决方案。