一种基于双分支交叉注意力、扩展LSTM和恒星振荡优化的轴承故障诊断方法

针对恒定转速条件下轴承故障诊断准确率与泛化能力不足的问题，提出一种融合双分支特征、扩展长短期记忆网络（xLSTM）、跨分支交叉注意力和恒星振荡优化器（SOO）的诊断方法,简称Dual‑xLstm‑CA‑SOO。首先分别利用EMD–Hilbert变换提取瞬时幅值与瞬时频率特征，利用Morlet连续小波变换提取多尺度时频特征，并基于训练集完成标准化。两路特征经一维卷积网络降采样后，输入由mLSTM与sLSTM交替构成的xLSTM编码器，以建模深层时序依赖；进一步通过双向跨分支交叉注意力实现异构特征交互融合;最后采用SOO联合优化。相较于主流模型，本方案通过双分支xLSTM交叉注意力和恒星振荡优化实现更高诊断精度，同时具备更少参数与更低计算复杂度。