VA-DFN: An acoustic-vibration collaborative fusion network for bearings in strong noise environments

科学家开发出一种用于强噪声环境下轴承的声振协同融合网络

赣州职业技术学院Fanlong Zhu团队开发出一种用于强噪声环境下轴承的声振协同融合网络。相关论文于2026年10月发表在国际学术期刊《测量和控制》上。

为解决强工业噪声环境下单一传感器难以全面提取深层故障特征、从而制约轴承诊断精度的问题，研究人员提出了一种声振协同融合网络。

首先，设计了自适应门控残差块（AGRB），并将其与双门控残差块（TGRB）架构相结合，以在强背景噪声中有效提取高鲁棒性的深层局部声学与振动特征。其次，构建了双向注意力感知模块（BASM），在全局语义维度上对异构声振特征进行深度交互与互补校准，突破了传统多模态特征浅层拼接的局限。为验证所提模型的有效性，采用非接触式声振同步采集系统，在25 cm声学监测距离和5096 Hz采样率下，对6205深沟球轴承开展了实验研究。数据集包含九种诊断类别，包括一种健康状态和八种故障状态。

实验结果表明，该方法能够实现异构数据的深度动态对齐。VA-DFN在−6 dB至2 dB的不同信噪比（SNR）条件下均表现出优异的抗噪鲁棒性，最高诊断准确率达到99.55%，显著优于现有的单模态模型和常规深度学习基线模型。

Measurement and Control

该刊是一份经过同行评审的开放获取期刊，专注于发表有关测量和控制领域，理论与应用的研究成果。

期刊优势

影响因子：2.3

期刊分区：JCR Q3 AUTOMATION & CONTROL SYSTEMS, INSTRUMENTS & INSTRUMENTATION

期刊网址:

https://www.liebertpub.com/home/maca?utm_medium=china_social&utm_source=paid-media&utm_campaign=joa_liebert_subdr_mac_sciencenet-261009&utm_content=2610091&utm_term=advertorial

往期研究:

https://www.liebertpub.com/loi/MAC?utm_medium=china_social&utm_source=paid-media&utm_campaign=joa_liebert_subdr_mac_sciencenet-261009&utm_content=2610091&utm_term=advertorial

投稿网址:

https://mc.manuscriptcentral.com/jmac?utm_medium=china_social&utm_source=paid-media&utm_campaign=joa_liebert_subdr_mac_sciencenet-261009&utm_content=2610091&utm_term=advertorial

支持单位：