LiMS-MFormer: A Lightweight Multi-Scale and Multi-Dimensional Attention Transformer for Robust Rolling Bearing Fault Diagnosis Under Complex Conditions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Bearings are critical components in industrial machinery, and their failures can lead to equipment downtime and significant safety hazards. Traditional fault diagnosis methods rely on manually crafted features and classical classifiers, often suffering from poor robustness, weak generalization under noisy or small-sample conditions, and limited suitability for lightweight deployment. This study proposes a Lightweight Multi-Scale Multi-Dimensional Self-Attention Transformer (LiMS-MFormer)—an end-to-end lightweight fault diagnosis framework integrating multi-scale feature extraction and multi-dimensional attention. The model integrates lightweight multi-scale convolutional feature extraction, hierarchical feature fusion, and a multi-dimensional self-attention mechanism to balance feature expressiveness with computational efficiency. Specifically, the front end employs Ghost convolution and enhanced residual structures for efficient multi-scale feature extraction. The middle layers perform cross-scale concatenation and fusion to enrich contextual representations. The back end introduces a lightweight temporal-channel-spatial attention module for global modeling and focuses on key patterns. Experiments on the Paderborn University (PU) dataset and the University of Ottawa bearing vibration dataset (Ottawa dataset) show that LiMS-MFormer achieves an accuracy of 96.68% on the small-sample PU dataset while maintaining minimal parameters (0.07 M) and low computational cost (13.55 M FLOPs). Moreover, under complex noisy conditions, the proposed model demonstrates strong fault diagnosis capability. On the University of Ottawa dataset, LiMS-MFormer consistently outperforms several state-of-the-art lightweight models, exhibiting superior accuracy, robustness, and generalization in challenging diagnostic 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.
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 | 0,000 | 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 découle