引言
滚动轴承作为旋转机械系统的核心部件，广泛应用于汽车、风力涡轮机、制造设备等工业领域，其健康状态直接影响设备的运行效率、安全性和可靠性[1]。滚动轴承可能因磨损、疲劳或制造缺陷而发生故障，如内圈缺陷、外圈缺陷、滚珠缺陷和保持架缺陷，这些故障可能导致设备停机、经济损失甚至安全事故[2-3]。因此，准确且及时的故障诊断对于预防设备失效、降低维护成本和提高生产效率至关重要[4]。
随着工业装备的自动化与智能化发展，滚动轴承的运行环境愈发复杂，其工作状态受载荷波动、速度变化与环境干扰的共同影响，导致信号特征表现出显著的非线性与非平稳性。受负载、转速及环境噪声等工况因素的长期扰动，轴承信号普遍呈现非平稳、弱故障与强背景耦合等特征，这使得在复杂乃至变工况情形下进行高精度、强鲁棒的故障诊断成为持续性的挑战。在此背景下，如何从大量复杂的振动信号中提取具有判别性的健康特征，成为智能故障诊断领域的关键科学问题之一[5]。
传统方法多依赖一维振动或声学信号进行特征工程与模式识别[6]，但单分支与浅层表征的局限，往往难以充分刻画时频信息的复杂性，限制了其在多变工况下的诊断性能。这类方法通常包括包络分析、经验模态分解（EMD）、小波变换等，其核心依赖人工经验确定特征参数，因而在跨工况与噪声干扰条件下泛化性能较差。
近年来，数据驱动的深度学习方法逐渐取代传统人工特征工程。卷积神经网络（CNN）和循环神经网络（RNN）能够实现端到端的自动特征提取，大幅减少了人为干预。将振动信号转换为时频图像是深度学习故障诊断的重要方法。格拉姆角场（Gramian Angular Field，GAF）技术通过将一维时序信号映射到极坐标系，生成二维图像，保留时间和幅值信息，适合深度学习模型处理。Han[7]等提出了一种基于GAF和集成深度学习的轴承故障诊断方法,该方法首先将振动信号编码为两种GAF矩阵，通过CNN和随机森林融合实现高效准确的故障识别。
在深度特征提取模型的演进中，Transformer架构因其全局依赖建模能力逐渐成为研究热点。近年来，视觉Transformer 与选择性状态空间模型（SSM）为长序列建模与全局依赖捕获提供了新工具。Ding等[8]提出了一种基于Transformer的故障诊断方法，通过结合自注意力机制，在噪声环境下实现了较高的诊断精度。Xu等[9]提出了一种基于时频双通道Transformer的新型轴承故障诊断模型LTFAFormer。通过并行注意力机制提升特征提取能力，同时优化结构降低计算资源消耗，实现了在低端边缘设备上的高精度诊断和强抗噪声能力。Transformer类模型的出现，打破了卷积网络在局部建模上的限制，使得模型能够在时频域中捕捉全局依赖与跨时间步的语义信息。
由于Swin Transformer在处理2D时频图像时的特征提取能力和性能优势，也应用在轴承故障诊断中。Dai等[10]通过POA优化VMD参数，实现信号有效分解和重构，再将重构信号转换为二维图像输入Swin Transformer进行训练，最终实现了超过95%的故障识别准确率。Jiang等[11]将Swin Transformer深度学习模型与声发射（AE）技术相结合，实现了对低速重载轴承的高精度故障检测，在实验室声发射数据集和CWRU振动信号数据集上分别达到了98.6%和95.63%的准确率。
Mamba作为状态空间模型的代表，具有线性时间复杂度和高效序列建模能力，近年来在时序故障诊断中崭露头角。Yi等[12]提出了一种基于Mamba模型的轻量化旋转机械故障诊断模型VibrMamba。该模型通过集成双向状态空间模型（SSMs）和KAN网络，提高了诊断精度并减少了计算参数，实现了比传统1D Mamba模型和其他方法更高效、更精确的故障诊断。与Transformer的注意力机制相比，Mamba通过状态更新与隐变量传递实现高效长程依赖捕获，具备较低计算复杂度与更优时序建模能力。
在多分支融合领域，Liu等[13]以跨图像多重注意力增强残差网络，在公开轴承数据上取得了显著提升。Xing等[14]提出时频域融合+跨注意力框架，将动态建模得到的时频特征进行选择性交互，在噪声与变工况下呈现出更稳健的识别表现。然而，现有研究往往侧重于单一分支或浅层融合，难以在兼顾时序与空间特征的同时实现跨域协同建模。
综上所述，仅依赖单一信号特征做判断难以形成稳健、可泛化的诊断能力，且单一路径的深度模型各有短板，仅1D分支难以刻画时序中隐藏的空间关系，而把1D信号转成2D图像时，会牺牲时序信息。基于上述动机，本文提出一种用于滚动轴承故障诊断的Swin-Mamba双分支融合模型。其核心思想如下：
（1）将原始振动信号经GAF映射为二维时序图像，以保留时间-幅值的耦合结构；随后采用Swin Transformer提取层级化空间特征，并引入2D Mamba模块以线性复杂度增强长程上下文与跨窗口依赖的建模能力。
（2）对原始一维振动信号构建eMamba-1D主干，强化对长时依赖与跨尺度动态模式的表达。
（3）设计跨注意力机制，以eMamba-1D最后时间步的状态向量作为查询，对经2D Mamba处理后的图像特征进行加权聚合，实现以时序语义引导的视觉特征选择与对齐。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007252
作者信息：
汤守国1，2，贾轹文1，2，杨波1，2，王路路1，2，李英娜1，2
（1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500；
2.云南省计算机技术应用重点实验室，云南 昆明 650500）
