中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）19-0001-04

Abstract：Aimingattheshortcomingsintraditionalrollingbearingfaultsignalfeatureextraction，arollingbearingfault diagnosismethodbasedonConvolutionalBlockAtentionModule（CBAM）andresidualnetwork（ResNet5O）isproposed.Thefault signalsintheCaseWesternReserveUniversitydatasetwererandomlyandlocalloverlappedsampled，andthebearingfault signalswereconvertedintotwo-dimensionaltime-frequencydomainimagesusingICEEMDANandHilbert.Thetime-frequency domainimagesweretheninputintotheResNet5O-CBAMnetworkmodel.，trainingandtestingtheaccuracyofthemodel. Convolutionalneuralnetworksandtransferlearningareaddedtothenetworkmodeltosolvetheproblemsofdificultyindata acquisitionandlongtraining time.ExperimentshaveprovedthatResNet5O-CBAMhasstrong faultfeatureextractioncapablities. Compared with other network models，the accuracy rate is 8%～15% higher. Finally，rolling bearing signals are collected on a servosystemexperimentalsimulationplatform，andtheimprovednetworkmodelisusedfordiagnosis.Theresultsprovethatthis diagnosis method has high accuracy in rolling bearing fault diagnosis.

Keywords： rolling bearing; fault diagnosis; ResNet5O-CBAM; network model; data

滾動(dòng)軸承作為設(shè)備隨動(dòng)系統(tǒng)中重要的組件，主要承擔(dān)支撐和旋轉(zhuǎn)的功能，可降低設(shè)備傳動(dòng)軸與支撐部位的摩擦力，同時(shí)為傳動(dòng)軸的軸承提供支撐。加強(qiáng)對(duì)滾動(dòng)軸承的故障診斷，可有效預(yù)防故障的發(fā)生，提高故障維修效率。隨著科技的發(fā)展，對(duì)于軸承的故障診斷由傳統(tǒng)方法向智能化方向轉(zhuǎn)變，深度學(xué)習(xí)在機(jī)械故障診斷方面取得了顯著的成就。傳統(tǒng)的故障分類算法要與特征提取方法相結(jié)合，需要使用人工特征提取，因?yàn)槿藶橐蛩氐母蓴_會(huì)降低故障診斷方法的泛化性。在深度學(xué)習(xí)領(lǐng)域中的網(wǎng)絡(luò)模型能夠自動(dòng)提取識(shí)別特征，可規(guī)避人為劃分特征對(duì)故障診斷準(zhǔn)確率造成的影響。但是隨著深度學(xué)習(xí)模型訓(xùn)練層數(shù)和參數(shù)的增加，模型會(huì)出現(xiàn)過擬合和判斷性能衰退的問題。針對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)模型的不足，本文提出了ResNet50網(wǎng)絡(luò)與CBAM模塊結(jié)合改進(jìn)的網(wǎng)絡(luò)模型，同時(shí)加入遷移學(xué)習(xí)和Dropout函數(shù)。改進(jìn)后的網(wǎng)絡(luò)模型既可以識(shí)別到微小的故障特征，還能夠降低訓(xùn)練中的過擬合問題，減少訓(xùn)練時(shí)間，有效提升故障診斷準(zhǔn)確率。

1滾動(dòng)軸承故障機(jī)理分析

滾動(dòng)軸承長期在高負(fù)荷環(huán)境下運(yùn)行，設(shè)備可能面臨磨損、老化及斷裂等諸多故障，直接影響到設(shè)備運(yùn)行的可靠性和穩(wěn)定性。一旦滾動(dòng)軸承發(fā)生故障不能及時(shí)得到處理，不僅會(huì)造成經(jīng)濟(jì)損失，甚至?xí)a(chǎn)生嚴(yán)重的安全事故。所以，要加強(qiáng)對(duì)滾動(dòng)軸承的故障診斷研究，提前發(fā)現(xiàn)潛在故障并及時(shí)處理，為設(shè)備安全運(yùn)行提供有力的安全保障。對(duì)滾動(dòng)軸承的故障機(jī)理進(jìn)行分析，有利于后續(xù)研究的開展。振動(dòng)是滾動(dòng)軸承較為常見的故障類型，其原因主要可分為內(nèi)部原因和外部原因。內(nèi)部原因主要是軸承長期在高負(fù)載運(yùn)行情況下，由于設(shè)計(jì)誤差、制造誤差等，在軸承運(yùn)轉(zhuǎn)過程中由于零部件間的相互作用而導(dǎo)致變形或者位移，從而引發(fā)特定頻率的振動(dòng)。外部原因主要是因?yàn)槊芊獠涣紝?dǎo)致雜質(zhì)進(jìn)入軸承軌道，潤滑不良而增加滾動(dòng)體和軌道間的摩擦，安裝不正確也會(huì)引發(fā)振動(dòng)。導(dǎo)致軸承振動(dòng)的原因較多，有時(shí)可能是多種原因所致，有時(shí)一種故障又會(huì)引發(fā)另一種故障。在軸承運(yùn)轉(zhuǎn)過程中，還會(huì)有其他原因，導(dǎo)致軸承出現(xiàn)塑性變形失效、疲勞失效、腐蝕失效和斷裂失效等故障，不僅會(huì)縮短軸承的使用壽命，還會(huì)威脅隨動(dòng)設(shè)備運(yùn)行的穩(wěn)定性和可靠性。

2 理論基礎(chǔ)

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一類強(qiáng)大的處理圖像數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，能夠在輸入的數(shù)據(jù)圖像中自動(dòng)提取出關(guān)鍵的特征參數(shù)。傳統(tǒng)的CNN模型主要由卷積層、池化層、全連接層和Softmax分類器構(gòu)成，如圖1所示。卷積層作為CNN的核心，其主要功能就是提取圖像中的重要特征信息，通過共享權(quán)重可減少網(wǎng)絡(luò)參數(shù)，提高模型的訓(xùn)練速度和效果。池化層位于卷積層之間，其對(duì)卷積層的輸出結(jié)果進(jìn)行池化采樣來篩選出重要的特征信息，可降低數(shù)據(jù)量的計(jì)算量，加快運(yùn)算速度。池化層會(huì)將特征信息壓縮為單一的數(shù)值，然后繼續(xù)輸人到下一層。全連接層作為卷積神經(jīng)網(wǎng)絡(luò)的最后一層，主要是將前一層的所有特征信息進(jìn)行整合，然后再將這些信息通過分類層進(jìn)行處理，最終得到分類結(jié)果。

2.2 殘差神經(jīng)網(wǎng)絡(luò)

隨著網(wǎng)絡(luò)神經(jīng)深度的增加，網(wǎng)絡(luò)容易出現(xiàn)過擬合、梯度爆炸、梯度消失及網(wǎng)絡(luò)退化等問題，不僅增加了網(wǎng)絡(luò)訓(xùn)練難度，并且網(wǎng)絡(luò)訓(xùn)練精準(zhǔn)度達(dá)到飽和?；诖?， He 等提出了殘差神經(jīng)網(wǎng)絡(luò)，由多個(gè)殘差塊組成殘差網(wǎng)絡(luò)神經(jīng)，如圖2所示， ΔX_n 為殘差塊的輸入， F（X_n） 為映射函數(shù)， H（X_n） 為殘差塊的輸出。利用殘差塊在卷積層的輸入和輸出之間建立更深層次的聯(lián)系，殘差塊沒有擬合多個(gè)網(wǎng)絡(luò)層堆疊的直接映射，避免了直接學(xué)習(xí)從輸入到輸入的映射，而是通過學(xué)習(xí)它們之間的差別來減少運(yùn)算的復(fù)雜度，在現(xiàn)實(shí)中會(huì)更容易優(yōu)化，降低映射的學(xué)習(xí)難度，進(jìn)而加速模型的收斂速度。

2.3 CBAM注意力機(jī)制

從本質(zhì)上講，注意力機(jī)制可以理解成對(duì)輸入圖像進(jìn)行動(dòng)態(tài)調(diào)整權(quán)重的過程，通過對(duì)每個(gè)特征信息的重要程度進(jìn)行計(jì)算，再對(duì)其重新分配權(quán)重，以此來提高對(duì)重要特征的關(guān)注程度。這種方法可避免深層神經(jīng)網(wǎng)絡(luò)受無效信息的影響，從而提升神經(jīng)網(wǎng)絡(luò)的分類性能。本文采用的為卷積注意力機(jī)制，分別在通道維度和空間維度上使用注意力機(jī)制，從空間和通道2個(gè)維度上來強(qiáng)調(diào)和關(guān)注重要特征，同時(shí)會(huì)抑制不必要的特征。2種注意力機(jī)制相互獨(dú)立，均可作為獨(dú)立的模塊應(yīng)用于已有的卷積神經(jīng)網(wǎng)絡(luò)中，CBAM的結(jié)構(gòu)圖如圖3所示。

2.4 遷移學(xué)習(xí)

遷移學(xué)習(xí)可以理解為將已經(jīng)掌握的知識(shí)應(yīng)用于提升其他項(xiàng)目效果的行為，將遷移學(xué)習(xí)應(yīng)用于網(wǎng)絡(luò)模型中，可有效提升模型的初始性能，同時(shí)增強(qiáng)模型的收斂效果。遷移學(xué)習(xí)的核心在于源域與目標(biāo)域之間的相似性，這樣原始域與目標(biāo)域的各類任務(wù)之間可以共享部分模型架構(gòu)或者對(duì)應(yīng)的模塊，如圖4所示。當(dāng)數(shù)據(jù)集的相似度較高時(shí)，只需要訓(xùn)練最后一級(jí)的全連接層即可獲得較好的性能。源域的模型在大規(guī)模數(shù)據(jù)集中經(jīng)過完全訓(xùn)練，并且已經(jīng)獲取了優(yōu)秀的分類性能，然后將訓(xùn)練好的權(quán)重參數(shù)遷移至目標(biāo)域的ResNet50-CBAM模型中，可凍結(jié)訓(xùn)練層參數(shù)，僅訓(xùn)練全連接層，可大大縮短訓(xùn)練時(shí)間，有效解決在現(xiàn)實(shí)中缺少訓(xùn)練數(shù)據(jù)的問題，降低欠擬合和過擬合的風(fēng)險(xiǎn)，

3 實(shí)驗(yàn)驗(yàn)證

為了對(duì)改進(jìn)后的ResNet50-CBAM網(wǎng)絡(luò)模型的有效性進(jìn)行驗(yàn)證，本文首先使用凱斯西儲(chǔ)大學(xué)（CWRU）滾動(dòng)軸承故障公開數(shù)據(jù)集進(jìn)行訓(xùn)練，用來檢測模型的準(zhǔn)確性，然后利用某隨動(dòng)系統(tǒng)模擬平臺(tái)上采集的數(shù)據(jù)驗(yàn)證此方法的有效性。

3.1模型訓(xùn)練數(shù)據(jù)來源

本次實(shí)驗(yàn)使用CWRU滾動(dòng)軸承故障數(shù)據(jù)集作為訓(xùn)練模型的基礎(chǔ)數(shù)據(jù)集，以SKF生產(chǎn)的6205-2RS滾動(dòng)軸承作為研究對(duì)象。在滾動(dòng)軸承的滾動(dòng)球體、外圈和內(nèi)圈使用電火花預(yù)制點(diǎn)蝕故障，在這3處設(shè)定單一位置的單點(diǎn)故障。本次實(shí)驗(yàn)振動(dòng)信號(hào)采集頻率為12kHz ，在驅(qū)動(dòng)端（DE）的負(fù)載分別為1級(jí)、2級(jí)、3級(jí)的情況下進(jìn)行原始振動(dòng)信號(hào)的采集，不同情況下分別引入軸承損失尺度為 7、14、21mils 的單點(diǎn)故障的滾動(dòng)軸承進(jìn)行實(shí)驗(yàn)，然后加上軸承正常健康狀態(tài)下數(shù)據(jù)，一種為10類故障。

數(shù)據(jù)集情況見表1，在數(shù)據(jù)集中共有10000個(gè)樣本，按照8：2劃分為訓(xùn)練集和測試集，對(duì)每種軸承故障數(shù)據(jù)進(jìn)行從0到9的標(biāo)記。將每2個(gè)樣本進(jìn)行部分?jǐn)?shù)據(jù)點(diǎn)的重疊操作，使用ICEEMDAN將軸承數(shù)據(jù)進(jìn)行信號(hào)分解提取出原始故障信號(hào)，再經(jīng)過Hilbert變換成二維時(shí)頻圖，經(jīng)過圖片裁剪分類后輸入到網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，以驗(yàn)證模型的準(zhǔn)確性。

3.2 模型構(gòu)建

經(jīng)過ICEEMDAN和Hilbert處理過的故障信號(hào)，將其輸人到深度卷積神經(jīng)網(wǎng)絡(luò)模型中，可自動(dòng)提取軸承的故障特征。再運(yùn)用遷移學(xué)習(xí)對(duì)參數(shù)權(quán)重進(jìn)行轉(zhuǎn)移，只對(duì)最后一級(jí)的全連接層進(jìn)行訓(xùn)練，既能夠提升訓(xùn)練的準(zhǔn)確率，又可以節(jié)約訓(xùn)練時(shí)間。在全連接層之前引入注意力機(jī)制，自主學(xué)習(xí)并獲取特征圖中各個(gè)通道的關(guān)鍵權(quán)重，再根據(jù)權(quán)重等級(jí)為每個(gè)特征分配一個(gè)權(quán)重值，從而提升神經(jīng)網(wǎng)絡(luò)對(duì)重要權(quán)重信息的關(guān)注，忽略權(quán)重值不高的特征通道，以此提升檢測結(jié)果的準(zhǔn)確率，最終完成軸承故障的分類。以上即是ResNet50-CBAM網(wǎng)絡(luò)模型優(yōu)化后的故障診斷流程，ResNet50-CBAM網(wǎng)絡(luò)模型結(jié)構(gòu)圖如圖5所示。

3.3 實(shí)驗(yàn)參數(shù)

為了保證模型性能，對(duì)ResNet50-CBAM模型參數(shù)進(jìn)行調(diào)整和優(yōu)化，采用邊訓(xùn)練邊調(diào)節(jié)的方式，包括學(xué)習(xí)率、批處理大小、迭代次數(shù)等，以尋求最優(yōu)的模型性能。學(xué)習(xí)率設(shè)置為0.0002，在訓(xùn)練過程中，每經(jīng)過10個(gè)epoch，將學(xué)習(xí)率乘以0.9，使得模型在訓(xùn)練后期能夠更加精細(xì)地調(diào)整參數(shù)。在設(shè)置批處理大小時(shí)，分別對(duì)16、32、64和128這4個(gè)參數(shù)進(jìn)行實(shí)驗(yàn)，最終從訓(xùn)練時(shí)間和模型性能等方面綜合考慮，確定批處理大小64作為最優(yōu)參數(shù)。從模型性能和訓(xùn)練效率方面考慮，最終確定迭代次數(shù)為100，選擇Adam作為優(yōu)化器。

3.4 模型訓(xùn)練

利用PyTorch構(gòu)建網(wǎng)絡(luò)模型，在10組數(shù)據(jù)中每次都隨機(jī)抽取64張圖片，將圖片隨機(jī)裁剪成 ^128×128 像素的尺寸，然后將處理后的圖片輸入到模型中進(jìn)行訓(xùn)練。如圖6所示，因?yàn)镽esNet50-CBAM網(wǎng)絡(luò)模型的訓(xùn)練起點(diǎn)較高，所以隨著迭代次數(shù)的增加，模型訓(xùn)練的準(zhǔn)確率不斷增加，當(dāng)?shù)螖?shù)達(dá)到20次時(shí)，準(zhǔn)確率逐漸維持在一個(gè)較高的水平。迭代次數(shù)在10次左右時(shí)，損失值呈快速下降趨勢，且在迭代次數(shù)為30次之后逐漸穩(wěn)定并趨于0。這說明改進(jìn)后的ResNet50-CBAM網(wǎng)絡(luò)模型具有較好的擬合效果，訓(xùn)練效果較好。

3.5ResNet50-CBAM模型與其他模型的對(duì)比

為了驗(yàn)證 ResNet50-CBAM 故障診斷模型的有效性及優(yōu)越性，將其分別與VGG、AlexNet、ResNet故障診斷模型進(jìn)行對(duì)比。所有模型都使用相同的數(shù)據(jù)集，在相同的實(shí)驗(yàn)環(huán)境下進(jìn)行訓(xùn)練和測試。如圖7所示，ResNet50-CBAM模型的準(zhǔn)確率最高，且已經(jīng)超過AlexNetl 5% 。

對(duì)4種模型的準(zhǔn)確率及每種工況下提取特征向量的損失率進(jìn)行對(duì)比。ResNet50-CBAM模型的準(zhǔn)確率最高，損失率最低。通過對(duì)比，證明了此方法的優(yōu)越性，可以更準(zhǔn)確地診斷滾動(dòng)軸承的故障。

3.6 ResNet50-CBAM模型的應(yīng)用效果

為了驗(yàn)證改進(jìn)模型在不同平臺(tái)上的實(shí)際應(yīng)用效果，在某隨動(dòng)系統(tǒng)模擬平臺(tái)上進(jìn)行信號(hào)采集，以滿足準(zhǔn)確采樣和低成本的要求。分別采集軸承內(nèi)圈故障振動(dòng)信號(hào)和軸承外圈故障振動(dòng)信號(hào)2個(gè)種類的故障信號(hào)，然后將采集到的數(shù)據(jù)利用ICEEMDAN和Hilbert轉(zhuǎn)換成二維時(shí)頻圖，將二維時(shí)頻圖輸人到使用CWRU的數(shù)據(jù)訓(xùn)練好的網(wǎng)絡(luò)模型中進(jìn)行故障診斷。對(duì)2種狀態(tài)軸承分別隨機(jī)抽取3組診斷數(shù)據(jù)進(jìn)行驗(yàn)證，由表2可知，對(duì)于軸承內(nèi)圈損失尺寸為 的故障診斷準(zhǔn)確率均在 99% 以上，對(duì)于軸承外圈損失尺寸為7mils的故障診斷準(zhǔn)確率也保持在 95% 以上。由此結(jié)果，可以驗(yàn)證ResNet50-CBAM網(wǎng)絡(luò)模型通過遷移學(xué)習(xí)具有很強(qiáng)的性能，運(yùn)算能力有所提升，可以在隨動(dòng)系統(tǒng)模擬平臺(tái)中對(duì)滾動(dòng)軸承進(jìn)行故障診斷，應(yīng)用效果較為顯著。

4結(jié)束語

對(duì)設(shè)備隨動(dòng)系統(tǒng)滾動(dòng)軸承進(jìn)行故障診斷，可減少安全事故的發(fā)生，為保證設(shè)備的安全穩(wěn)定運(yùn)行提供有力保障。在已有的 ResNet50 模型架構(gòu)上，加入CBAM注意力機(jī)制，在空間和通道2個(gè)維度實(shí)現(xiàn)故障特征的深度挖掘。然后借助遷移學(xué)習(xí)的方法，即可減少模型訓(xùn)練時(shí)間，還能夠提升訓(xùn)練精度。對(duì)改進(jìn)后的ResNet50-CBAM網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)，說明其具有較強(qiáng)的故障診斷性能。隨后又將ResNet50-CBAM模型與其他模型進(jìn)行對(duì)比，并且在某隨動(dòng)系統(tǒng)模擬平臺(tái)采集數(shù)據(jù)再次驗(yàn)證，都說明ResNet50-CBAM模型在滾動(dòng)軸承故障診斷中的有效性和優(yōu)越性。

參考文獻(xiàn)：

[1]鄭玉婕，沈興全，周進(jìn)節(jié)，等.基于混合注意力機(jī)制的滾動(dòng)軸承故障診斷方法[J].機(jī)床與液壓，2024，52（22）：218-226.

[2]王英杰，朱景建，龔智強(qiáng)，何彥虎.基于DAE-BiLSTM-CNN的滾動(dòng)軸承故障診斷方法[J].機(jī)械設(shè)計(jì)，2024，41（11：123-129.

[3]程廉升，王立萍，劉倩，等.ResNet-CNN模型在滾動(dòng)軸承故障診斷中的應(yīng)用[J].設(shè)備管理與維修，2024（15）：54-59.