基于融合数字孪生与多尺度特征提取的轴承故障模型详解

一、研究背景与问题

轴承是工业生产、交通运输和航空航天等领域的关键部件，但其在运行中易因负载、制造工艺等因素发生故障，导致设备停机。传统数据驱动方法虽有效，但面临样本不足、标签缺失等挑战。数字孪生技术能生成高保真仿真数据，弥补数据短缺，而多尺度特征提取可提升特征捕获能力。本文通过结合两者，实现高精度故障诊断。

二、数字孪生建模

文章首先构建了一个4层数字孪生框架（实体层、虚拟层、数据层和服务应用层），用于轴承故障诊断。基于动力学分析和故障机理，建立了轴承的四自由度动力学模型，模拟内圈、外圈和滚动体的运动特性。故障机制建模考虑了疲劳剥落故障引起的附加位移，通过赫兹接触理论计算接触力。

模型验证通过对比仿真信号与实际测量信号（如包络谱）进行，误差分析显示仿真数据与理论值及实测数据高度一致（误差低于5%），证明数字孪生具有高保真度。

三、多尺度特征提取方法

本文提出了一种混合模型（1DCNN-SENet-2D SwinTransformer），用于从时域和频域信号中提取多尺度特征：

• ​预处理​：信号先经FFT转换到频域，再通过VMD分解保留瞬态特征，形成多通道输入。

• ​分支1（1DCNN-SENet）​​：使用1D卷积层提取局部特征，并结合SENet的通道注意力机制自适应加权重要通道，增强特征表达。

  

• ​分支2（2D SwinTransformer）​​：将信号重塑为2D特征图，通过窗口多头自注意力和移位窗口机制实现全局建模，降低计算复杂度。

  

• ​模型融合​：两个分支的特征结合后