基于FFT-VMD的多尺度特征交叉注意力融合的轴承故障诊断

本发明公开一种基于快速傅里叶变换(FFT)和变分模态分解(VMD)的多尺度特征交叉注意力融合的轴承故障诊断模型(FV‑MFCAM)该方法具体为：首先，对原始振动信号分别进行快速傅里叶变换和变分模态分解，提取信号在不同频率范围上的特征，捕捉信号的时频特性，以及减少噪声的影响。然后把快速傅里叶变换后和变分模态分解后的数据分别输进卷积神经网络VGG‑19和BILSTM网络中进行空间和时域特征的提取并送入交叉注意力模块进行特征的融合。最后，利用全连接层和softmax函数实现待测试轴承的故障诊断。通过在华中科技大学轴承数据集上进行测试，结果表明所提出模型在有无噪声干扰的情况下，都具有很好的诊断效果，优于其他主流的对比方法，验证了所提出模型的可靠性和可行性。本发明适用于轴承故障的诊断。