基于M-YOLO網(wǎng)絡(luò)的滾動軸承故障診斷模型

摘要：【目的】針對深度學(xué)習(xí)與軸承故障診斷領(lǐng)域的結(jié)合所研發(fā)的算法已經(jīng)初見成效，但是大多是通過對一維振動數(shù)據(jù)進(jìn)行處理后輸入到網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行診斷，而運(yùn)用二維信號作為輸入的故障診斷技術(shù)的研究仍處于表面，針對此類方法的分析也鮮有報道。以滾動軸承作為研究對象，研究以二維信號作為輸入的故障診斷算法，針對多工況故障診斷、數(shù)據(jù)樣本少、模型訓(xùn)練時間長等問題，構(gòu)建了基于M-YOLO網(wǎng)絡(luò)的滾動軸承故障診斷模型。【方法】首先，利用馬賽克數(shù)據(jù)增強(qiáng)方法對樣本進(jìn)行擴(kuò)充，緩解不平衡數(shù)據(jù)對診斷結(jié)果的干擾；然后，通過馬爾可夫頻域圖像轉(zhuǎn)換方法，將離散信號轉(zhuǎn)換為概率模型，使用不同的策略對時間序列進(jìn)行分類，完成了以二維頻域圖像作為模型輸入的故障診斷；最后，利用Dropblock替換傳統(tǒng)的Dropout結(jié)構(gòu)，從空間層面和時間層面進(jìn)行更加精細(xì)的優(yōu)化，以期提高模型的魯棒性與診斷精確率。【結(jié)果】結(jié)果表明，M-YOLO診斷模型的診斷結(jié)果明顯高于傳統(tǒng)的故障診斷方法，頻域轉(zhuǎn)換特征圖像也比時域圖像有更好的魯棒性，更適合目標(biāo)檢測模型的訓(xùn)練與分類。該診斷模型具有一定的泛用性，為軸承故障診斷領(lǐng)域提供了一條新思路。

關(guān)鍵詞：滾動軸承；故障診斷；視覺識別；YOLO；二維數(shù)據(jù)

中圖分類號：TH133. 33 DOI：10. 16578/j. issn. 1004. 2539. 2025. 04. 020

0 引言

在旋轉(zhuǎn)機(jī)械設(shè)備中，滾動軸承是極易產(chǎn)生問題的關(guān)鍵零部件，一旦發(fā)生故障，容易造成不可估量的惡劣后果。因此，對滾動軸承的故障診斷以及發(fā)生故障時的及時處理成為維護(hù)現(xiàn)代機(jī)械的必備步驟。

滾動軸承的故障診斷主要包括基于信號分析和基于深度學(xué)習(xí)的診斷方法。隨著深度學(xué)習(xí)的飛速發(fā)展，深度學(xué)習(xí)方法在故障診斷的應(yīng)用也越來越廣泛[1-3]。YANG等[4]提出了基于層次符號分析和卷積神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷方案，并提出新的特征提取方式，縮短了設(shè)置參數(shù)的時間。ZHAO等[5]針對數(shù)據(jù)量大、傳輸困難等問題，提出了多尺度倒置殘差卷積神經(jīng)網(wǎng)絡(luò)。

在機(jī)械設(shè)備的實(shí)際工況中，振動信號中往往有大量的外界干擾信息，并且故障信息往往不是連續(xù)存在的。在整個軸承的生命周期中，滾動軸承大部分時間都正常工作，由此容易導(dǎo)致故障數(shù)據(jù)類型不平衡，影響診斷精度和穩(wěn)定性，給滾動軸承的故障診斷帶來了更高的挑戰(zhàn)。由傳統(tǒng)的故障診斷方法可知，可以通過時頻變換[6-7]去除原始振動信號中的噪聲，并且經(jīng)過時頻變換后的信號故障信息更加明顯，更有利于進(jìn)行特征提取。

本文為解決故障信號占比小、在整個生命周期呈離散分布的問題，首先，使用處理頻域離散信號的馬爾可夫轉(zhuǎn)換場[8]（Markov Transition Field， MTF）作為特征圖像；其次，引入了層數(shù)更深的You Only Look Once（YOLO）目標(biāo)檢測網(wǎng)絡(luò)[9]作為基礎(chǔ)結(jié)構(gòu)；為了解決卷積神經(jīng)網(wǎng)絡(luò)常見的過擬合[10]問題，使用Dropblock[11]隨取丟棄神經(jīng)元，并對YOLO模型進(jìn)行了改進(jìn)與修改，使其更加契合軸承故障診斷問題；最后，針對3個不同試驗(yàn)臺的滾動軸承數(shù)據(jù)進(jìn)行仿真試驗(yàn)，針對試驗(yàn)數(shù)據(jù)分析比較不同診斷方法的分類精度，驗(yàn)證了本文所提診斷模型的有效性、泛用性及故障診斷精度。

1 M-YOLO 模型理論基礎(chǔ)

1. 1 馬爾可夫轉(zhuǎn)換場

馬爾可夫轉(zhuǎn)換場是一種離散時間序列的轉(zhuǎn)變概率場。可以使用不同的策略對時間序列進(jìn)行分類，諸如馬爾可夫模型或隱含馬爾可夫模型（Hidden Mar?kov Model， HMM）也是經(jīng)常會用到的建模方法。馬爾可夫轉(zhuǎn)換場的原理基于馬爾可夫鏈，而馬爾可夫鏈?zhǔn)且环N可以用于文本生成、金融建模等多個領(lǐng)域的常見且相對簡單的統(tǒng)計隨機(jī)過程，是一種概率模型和數(shù)據(jù)分析的經(jīng)典方法。