2026年6月13日，机械优集学院教师柳应倩博士在中科院二区期刊《Measurement》（影响因子6.1）发表题为“Accuracy, robustness, and computational efficiency in bearing fault detection and diagnosis: Comparison of CNN and CNN-Transformer”的研究论文。柳应倩为论文第一作者，宦海祥教授为本文的通讯作者，盐城工学院为第一完成单位。

该研究围绕工业智能诊断领域“复杂模型是否一定优于简单模型”这一问题，系统比较了卷积神经网络（CNN）与CNN-Transformer两类典型深度学习模型在轴承故障诊断中的性能差异。研究基于四个具有不同故障类型、运行工况和测量条件的公开数据集，构建统一实验方案，并采用贝叶斯优化对模型进行超参数寻优。

研究结果表明，两类模型在单次测试中均取得了90%以上的准确率和F1值，但在更严格的交叉验证条件下表现出明显差异。CNN模型在不同数据集上始终保持较高精度和较低波动，展现出优异的鲁棒性与泛化能力；相比之下，CNN-Transformer在复杂工况变化下性能下降更为明显。此外，CNN模型在保持高诊断性能的同时，具有更低的计算复杂度和更快的推理速度。

该研究表明，模型复杂度的增加并不一定带来更好的诊断效果，在复杂工业场景中，结构简单的CNN往往能够提供更加稳定、高效且易于部署的解决方案。研究成果为工业智能诊断模型设计与工程应用提供了模型选择参考，也展现了柳应倩博士在智能诊断与装备健康管理领域的科研积累。

Fig. 5  The research framework

原文链接（可免费下载至2026年8月5日）：https://authors.elsevier.com/c/1nHCXxsQaXnU1

论文引用：Liu Y, Fu Q, Ye Z, et al. Accuracy, robustness, and computational efficiency in bearing fault detection and diagnosis: Comparison of CNN and CNN-Transformer [J]. Measurement, 2026, 284: 122236. https://doi.org/10.1016/j.measurement.2026.122236