本文介绍了一种基于Transformer的框架（FaultFormer），用于分析振动信号以预测轴承故障。通过数据增强和提取傅里叶模态的方法，训练了一个Transformer编码器，实现了最先进的准确度。同时，提出了两种预训练策略，为大型可推广Transformer的开发铺平了道路。

本文介绍了一种基于Transformer的框架（FaultFormer），用于预测轴承故障。通过数据增强和傅里叶模态提取方法，训练了一个Transformer编码器，实现了最先进的准确度。同时，提出了两种预训练策略，为大型可推广Transformer的开发铺平了道路。

该研究提出了一种无需额外信息的盲分离振动源的方法，通过卷积神经网络初步隔离齿轮信号，并利用残差的平方对轴承故障信号进行估计。使用基于白化的去卷积方法（WBD）移除传递函数的影响。仿真和实验结果表明，该方法能够及早检测到轴承故障。研究考虑了局部和分布式轴承故障，并假设振动是在稳定的工作条件下记录的。

本文介绍了一种基于Transformer的框架（FaultFormer），用于预测轴承故障。通过数据增强和提取傅里叶模态的方法，训练了一个Transformer编码器，实现了最先进的准确度。同时，分析了注意机制和模型输出，确认了Transformer自动提取信号特征和学习全局和局部关系的能力。最后，提出了两种预训练策略，为大型可推广Transformer的开发铺平了道路，使其能够适应生产现场的新数据、情况或机械设备。

本文介绍了一种基于Transformer的框架（FaultFormer），用于预测轴承故障。通过数据增强和傅里叶模态提取方法，训练了一个高准确度的Transformer编码器。同时，提出了两种预训练策略，为大型可推广Transformer的开发铺平了道路。

本文介绍了一种基于Transformer的框架（FaultFormer），用于预测轴承故障。通过数据增强和傅里叶模态提取方法，训练了一个高准确度的Transformer编码器。同时，提出了两种预训练策略，为大型可推广Transformer的开发铺平了道路。