近日，我院徐长航教授团队安全科学与工程学科博士生李娜在滚动轴承微小及复合故障诊断方面取得阶段性研究进展，相关研究成果《基于振动与声发射信号融合以及结合高效通道注意力机制与多尺度卷积神经网络的滚动轴承微弱故障诊断方法》（Multi-scale CNN with efficient channel attention-based feature fusion for robust diagnosis of rolling bearing incipient fault using vibration and acoustic emission signals）发表在《Measurement》。《Measurement》是工程技术领域的国际知名期刊，目前影响因子为5.6（SCI二区Top）。论文第一作者为安全工程学科博士研究生李娜，通讯作者为徐长航教授，中国石油大学（华东）为唯一署名单位和通讯单位，该研究得到了国家重点研发计划课题的资助。
论文首页
滚动轴承作为机电设备中的关键部件，其运行状态直接影响机械设备的工作效率和使用寿命。长期处于高转速以及润滑不足等恶劣工况下，滚动轴承容易发生多种故障而影响设备运行可靠性。传统故障诊断方法在理论研究和工程应用方面均取得了显著进展，但其诊断性能在很大程度上依赖于故障特征提取的质量。故障特征提取过程通常耗时耗力，并且高度依赖研究人员在信号处理方面的专业经验。此外，对于工程中常见的强噪声环境下轴承微弱复合故障而言，其特征提取和诊断工作具有更大的挑战。
滚动轴承故障诊断实验台
为解决上述问题，本文基于振动和声发射检测数据，提出了一种融合高效通道注意力机制、多尺度卷积神经网络以及多类型传感器信息的特征级融合故障诊断方法。结果表明，所提出的方法在强噪声干扰和部分传感器失效条件下均能保持较高的诊断准确率。此外，本文采用美国凯斯西储大学（Case Western Reserve University, CWRU）轴承数据集和德国帕德博恩大学（Paderborn University）轴承数据集，与多种故障诊断方法进行了跨数据集对比验证。结果表明，本文所提出方具有更高的诊断准确率和更好的噪声鲁棒性，且体现出良好的泛化能力和工程应用潜力。
高效通道注意力机制-多尺度卷积神经网络结构
论文链接：https://doi.org/10.1016/j.measurement.2026.121710
