MD-Transformer: a noise-oriented lightweight bearing fault diagnosis model
Notice bibliographique
Résumé
Abstract In complex industrial environments, rolling bearing vibration signals are often contaminated by noise, making it difficult to extract key fault features and reducing diagnostic accuracy. To address this issue, a lightweight and noise-resilient Transformer-based model, termed MD-Transformer, is designed. First, a novel multi-scale excitation convolution module is designed to extract local features across multiple receptive fields using four parallel depthwise separable convolutions and average pooling layers. A squeeze-and-excitation module is incorporated to further enhance the representation of noise-sensitive fault features. Additionally, a dynamic depthwise separable attention (DDSA) mechanism is developed to improve global feature modelling and noise robustness. Unlike conventional attention, DDSA dynamically adjusts attention weights via learnable depthwise convolutions, enabling adaptive noise suppression and better focus on fault-related features. Experiments conducted on the Ottawa bearing dataset demonstrate that MD-Transformer achieves an average diagnostic accuracy of 96.63% across a signal-to-noise ratio range of –2 dB to 8 dB, outperforming existing lightweight and Transformer-based models by 1.55%–4.33% while maintaining low computational cost. These results highlight the model’s effectiveness in robust feature extraction and its potential for real-time edge-level 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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».