EN
学院动态
我院教师张凡研究成果入选ESI高被引论文
日期：2026-03-25      点击量：[]次 返回列表

近日，我院教师张凡在多任务智能故障诊断方面取得重要进展，在国际仪器与测量领域重要期刊IEEE Transactions on Instrumentation and Measurement上发表题为“MT-ConvFormer: A Multitask Bearing Fault Diagnosis Method Using a Combination of CNN and Transformer”，并入选2026年ESI高被引论文。

研究内容简介

现代工业系统中，滚动轴承等旋转机械关键部件的健康状态直接关系到生产安全和设备寿命。随着工业装备的发展，基于深度学习的智能轴承故障诊断方法得到了广泛应用。但在实际工业应用中，现有的多数方法仍局限于将诊断不同的故障类型或故障程度作为单一诊断目标。对于能够同时处理多种故障诊断任务、节省计算资源和时间的复合诊断方法，迫切需要更深入的研究。

在复杂的工业诊断环境中，传感器采集的振动信号不可避免地会受到强烈噪声的干扰，且不同工况下的数据分布往往极不平衡。这些非平稳和多变的信号特征，使得传统的深度学习模型在提取互补故障特征时面临巨大挑战。以卷积神经网络为代表的方法虽然在局部特征感知上取得了巨大成功，但大多具有过度关注局部特征的固有偏置，缺乏获取全局上下文特征和建立特征间长距离依赖的能力。

目前，多任务学习（MTL）和Transformer架构已被应用于解决部分上述痛点。然而，现有的多任务模型往往难以在面对复杂噪声和变工况环境时保持高度的稳定性。这些方法依然偏向于单一任务的定制，且尚未有效解决如何在同时进行多重诊断任务时，既充分探索全局依赖与局部特征，又能让不同任务分支自适应地过滤无关冗余信息这一难题，仍难以满足复杂诊断环境的实际需求。

为此，本论文提出了一种创新的多任务CNN-Transformer（MT-ConvFormer）轴承故障诊断方法。该网络在共享层融合了CNN的多尺度局部特征提取能力与Transformer的全局长程依赖推理能力，以有效挖掘全局共享信息。同时，通过在任务分支中引入空间-通道重建与冗余过滤机制（SCRFM），模型能够高效抑制无关信息的干扰，精准提取特定任务所需的关键特征。在利用XJTU-SQ等轴承数据集进行广泛验证时，该方法在强噪声和不平衡变工况下均展现出了优异的诊断性能和卓越的泛化能力。

图 1 MT-ConvFormer框架与子结构图


我院张凡老师为论文通讯作者，计算机与人工智能学院硕士生韩雨霏为第一作者，计算机与人工智能学院李天瑞教授、滕飞教授、研究生王其琛、李超凡、李肇奇、信息科学与技术学院博士生赖培，以及广西大学的靳震震老师为论文共同作者。


学院动态
  • 全球最快高铁列车来了！交大参与设计！
    2026-03-31
  • 凝心聚力谋发展 笃行实干谱新篇——设计艺术学院召开教职工大会
    2026-03-30
  • 扬华设计·理论前沿 | 问题化意识与方法论意识——科研提升与论文撰写
    2026-03-30
  • 青春逐梦AI 创意登峰主流媒体——我院2025届毕业生钟依霖团队获海螺AI官方邀约作品登陆人民日报视频号
    2026-03-28
  • 扬华设计·理论前沿 | 数字孪生与AI赋能下的智慧产品和服务设计研究
    2026-03-25
  • 我院教师张凡研究成果入选ESI高被引论文
    2026-03-25
  • 深耕校友资源 凝聚发展合力——设计艺术学院赴长三角深入开展校友工作
    2026-03-19
西南交通大学设计艺术学院

地址：四川省成都市郫都区犀安路999号
西南交通大学设计艺术学院

邮政编码：611756

办公电话：(028)66368210

学院邮箱：sjys@swjtu.edu.cn

西南交通大学设计艺术学院 2022 ©Copyright