近日，机船学院庄远老师作为第一作者，在国际知名期刊《Nonlinear Dynamics》上发表学术论文《SWR2Net: a fault diagnosis framework for rotating machine under limited samples and noisy conditions》。《Nonlinear Dynamics》是机械工程领域的国际知名学术期刊，在最新的中科院SCI分区为2区，最新影响因子5.2，同时该期刊也是振动工程学会T1级别期刊及自动化学会A类期刊。
本文提出了一种针对旋转机械的新型多模态数据融合故障诊断框架。首先，提出了一种基于PCA和特征矩阵拼接的多模态数据融合方法，显著增强了不同模态信号的特征保留能力，并提升了故障诊断框架对不同类型旋转机械的适用性。其次，通过融入移动窗口注意力机制增强了多尺度残差网络的特征提取能力与全局信息感知能力，并证明了这种基于移动窗口注意力机制的多尺度残差网络(SWR2Net)具备较强的故障诊断能力。
论文链接DOI：https://doi.org/10.1007/s11071-025-11302-0
