摘要:轴承作为旋转机械中的关键部件,其健康状态直接关系到设备运行安全与稳定。现有方法在特征提取与多源信息融合过程中,普遍依赖于欧氏空间下的特征建模,难以有效刻画振动信号中蕴含的复杂结构关系,且常常忽略时域与频域多模态信息的协同融合,从而限制了故障诊断的准确性与可靠性。为此,提出一种双流时频图注意力网络轴承故障诊断方法。首先,采用K近邻算法将时域与频域振动信号构建为图结构,以增强样本间结构关系的建模能力,实现多模态特征的高效表示。其次,设计双流图注意力网络用于时域图和频域图故障敏感特征的挖掘,并引入自适应注意力权重机制对两类特征进行动态加权融合,增强关键特征的表达能力。最后,在凯斯西储大学(Case Western Reserve University, CWRU)轴承实验数据集和南昌铁路局轮对轴承工程数据集上对所提出方法的有效性进行了验证。实验结果表明:所提方法在CWRU数据集上实现了100%的诊断准确率。在南昌铁路局工程数据集上,较传统卷积神经网络(CNN)的平均准确率提升3.93个百分点,较单流图神经网络(GNN)提升7.43个百分点,且10次独立重复实验标准差仅为0.31。对比结果表明:时频图建模与自适应融合策略在挖掘故障敏感信息、提升多源特征协同表达能力方面具有显著优势,为复杂工况下轴承故障诊断水平的提升提供了参考,对保障旋转机械安全稳定运行具有实际意义。