TFDFNet: a dual-branch fault diagnosis model for bearings under noisy and complex industrial environments
Notice bibliographique
Résumé
Unexpected failures in rotating machinery can cause costly downtime and safety hazards in industrial systems, highlighting the need for accurate and robust fault diagnosis. However, fault-related signals are often weak and easily obscured by noise, making reliable diagnosis challenging in real-world environments. To address this, we propose Time-frequency and time-series dual-branch fusion network(TFDFNet), a novel dual-branch deep learning model designed to improve fault classification performance under noisy and complex conditions. The model combines two complementary types of information: time-frequency representations derived from continuous wavelet transform and raw time-sequence data captured through sliding-window sampling. A Swin Transformer is used to extract deep features from time-frequency images, while a specially designed module called Gated attention block(GABlock) learns key temporal patterns from the sequence data. These features are fused using a cross-attention mechanism to enhance fault-related information. Extensive experiments on two public bearing fault datasets (CWRU and Ottawa) show that TFDFNet achieves outstanding accuracy, even under severe noise interference. The model reaches up to 100% accuracy on CWRU and 99.44% on Ottawa, and consistently outperforms existing convolutional neural network (CNN) baselines. These results demonstrate the practical potential and robustness of TFDFNet for intelligent fault diagnosis in industrial applications.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».