MSF-DFormer: A Multisensor Multiscale Fusion Network With Deformable Transformer for Fault Diagnosis Under Complex Working Conditions With Limited Samples
Notice bibliographique
Résumé
Bearings are critical components in rotating machinery, and their failures could result in significant downtime and safety risks. Intelligent fault diagnosis could encounter considerable challenges in noisy environments and under limited labeled data conditions. A novel multi-sensor multi-scale fusion network with a deformable transformer (MSF-DFormer) is proposed in this paper, which incorporates multi-scale feature extraction, spatial-channel fusion, cross-layer dense enhancement, and a deformable attention mechanism to enhance feature representation across different sensor modalities. Each raw sensor signal is processed through independent cascaded multi-scale depthwise separable convolutional blocks (MDSCB), enabling comprehensive multi-scale feature extraction. The resulting features are refined via a Spatial–Channel Reorganization Module (SCRM) and preliminarily fused using a Sensor Feature Fusion Module (SFFM). Besides, further integration of feature representations from different stages is performed through an adaptive dense feature fusion module (ADFF). Finally, a deformable offset transformer (DOT) module is employed to integrate outputs from multiple stages by dynamically adjusting offsets to capture long-range dependencies and fine-grained local patterns. The experimental results demonstrate that the proposed method achieves an accuracy of 99.78% on the small-sample PU dataset, which contains both vibration and current signals, exhibiting strong diagnostic capability under noisy conditions. On the multi-sensor dataset from the University of Ottawa, which includes both vibration and acoustic signals, the method outperforms several mainstream models, showing superior accuracy, robustness, and generalization performance. These findings confirm that MSF-DFormer performs well in fusing vibration and current signals, as well as in cross-modal fusion scenarios involving vibration and acoustic data, highlighting its versatility and effectiveness across diverse multi-sensor fusion tasks.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 0,000 |
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 ».