Multi-scale Quaternion CNN and BiGRU with Cross Self-attention Feature Fusion for Fault Diagnosis of Bearing

近年来，深度学习在轴承故障诊断方面取得了重大进展。大多数技术旨在实现更高的准确性，但它们对噪声敏感，缺乏鲁棒性，导致领域适应和抗噪声能力不足。对研究的比较表明，给予所有特征相同的关注度无法区分它们的重要性。在本文中，我们提出了一种新颖的轴承故障诊断模型，通过集成多尺度四元数卷积神经网络（MQCNN）、双向门控循环单元（BiGRU）和交叉自注意力特征融合（CSAFF）来实现。我们在两个模块中进行了创新设计，即MQCNN和CSAFF。首先，MQCNN首次将四元数卷积应用于多尺度架构，旨在从多个尺度提取原始信号的丰富隐藏特征。然后，提取的多尺度信息被输入到CSAFF进行特征融合，其中CSAFF创新地将交叉自注意力机制纳入特征中，以增强特征内的区分性交互表示。最后，BiGRU捕获时间依赖性，而softmax层用于故障分类，实现准确的轴承故障诊断。为了评估我们方法的有效性，我们在三个公共数据集（CWRU、MFPT和Ottawa）上进行了实验，并将其与其他优秀方法进行了比较。结果证实了其处于最先进水平，平均准确率可以在CWRU、MFPT和Ottawa数据集上达到99.99%、100%和99.21%。此外，我们进行了实际测试和消融实验，以验证所提出方法的有效性和鲁棒性。代码可在https://github.com/mubai011/MQCCAF上获得。

本论文旨在解决轴承故障诊断中存在的精度不足、对噪声敏感和缺乏鲁棒性等问题。同时，论文也试图证明将多尺度四元数卷积神经网络（MQCNN）、双向门控循环单元（BiGRU）和交叉自注意力特征融合（CSAFF）相结合的方法能够提高轴承故障诊断的准确性。

本论文提出了一种新的轴承故障诊断模型，将MQCNN、BiGRU和CSAFF相结合。MQCNN首次将四元数卷积应用于多尺度架构，以从多个尺度提取原始信号的丰富隐藏特征。然后，提取的多尺度信息输入到CSAFF中进行特征融合，其中CSAFF创新地将交叉自注意机制纳入特征内以增强区分性交互表示。最后，BiGRU捕捉时间依赖性，而使用softmax层进行故障分类，实现准确的轴承故障诊断。

本论文在三个公共数据集（CWRU、MFPT和Ottawa）上进行了实验，并与其他优秀方法进行了比较。结果表明，本论文的方法具有最先进的水平，平均准确率可达到CWRU、MFPT和Ottawa数据集的99.99％，100％和99.21％。此外，本文还进行了实际测试和消融实验，以验证所提出方法的有效性和鲁棒性。研究人员还提供了代码，可在https://github.com/mubai011/MQCCAF上获得。

最近，也有一些相关的研究在轴承故障诊断领域进行，例如“基于深度学习的轴承故障诊断方法综述”和“基于卷积神经网络的轴承故障诊断方法研究”。