摘要：轴承作为机械系统中关键的部件,其状态监测和剩余使用寿命(remaining useful life,RUL)预测变得日益重要。为此,提出了一种基于Transformer的时频域双通道融合网络(time frequency domain dual channel fusion network,TFDN)以解决深度学习的RUL预测方法中存在难以考虑数据的空间关系和样本贡献度,以及未能充分挖掘时频域数据的关联性和互补性等问题。该方法利用二维卷积提取时频域信号的空间特征,通过Transformer编码器层对卷积层输出进行位置编码学习退化特征。设计了一种时频域融合回归算法,对时频域信号进行权重特征融合实现RUL预测。通过在西安交通大学轴承数据集和青岛港实际采集数据集上进行测试,试验结果显示TFDN在预测精度上超过了其他网络结构和现有方法。