A Novel Lightweight Rotating Mechanical Fault Diagnosis Framework With Adaptive Residual Enhancement and Multigroup Coordinate Attention
Notice bibliographique
Résumé
Fault diagnosis of rotating machinery is widely recognized as a challenging problem. Recent advances in combining convolutional neural networks (CNNs) and Transformers have expanded the capabilities of intelligent fault diagnosis. However, in real-world industrial settings, three critical challenges substantially affect fault diagnosis performance: resource-constrained deployment environments, variable operating conditions, and cross-domain adaptability requirements. These challenges frequently undermine the efficacy of existing algorithms, particularly in sustaining robust performance while meeting lightweight implementation requirements. To address these challenges, a novel lightweight fault diagnosis framework, termed adaptive residual enhancement-multigroup coordinate attention transformer (ARE-MGCAFormer), is introduced in this article. First, an ARE block is specifically designed to extract multilocal receptive field features from vibration signals. The integrated gating mechanism utilizes learnable Params to adaptively balance the contributions of deep separable convolutions and inverse residual blocks, dynamically adjusting to varying signal features and noise levels while maintaining a lightweight design. Second, a multigroup coordinate attention (MGCA) mechanism is incorporated to effectively extract critical detailed features across the entire signal range while reducing computational complexity by distributing attention across multiple feature groups. Experimental verification was conducted using the gearbox dataset from Xi’an Jiaotong University (XJTU) and the rolling bearing fault dataset from the University of Ottawa (OU). The results demonstrate that the proposed framework exhibits superior lightweight characteristics and robustness in fault diagnosis tasks compared to recent mainstream frameworks based on CNNs and Transformers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».