基于M-YOLO網絡的滾動軸承故障診斷模型

摘要：【目的】針對深度學習與軸承故障診斷領域的結合所研發的算法已經初見成效，但是大多是通過對一維振動數據進行處理后輸入到網絡結構中進行診斷，而運用二維信號作為輸入的故障診斷技術的研究仍處于表面，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、數據樣本少、模型訓練時間長等問題，構建了基于M-YOLO網絡的滾動軸承故障診斷模型。【方法】首先，利用馬賽克數據增強方法對樣本進行擴充，緩解不平衡數據對診斷結果的干擾；然后，通過馬爾可夫頻域圖像轉換方法，將離散信號轉換為概率模型，使用不同的策略對時間序列進行分類，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替換傳統的Dropout結構，從空間層面和時間層面進行更加精細的優化，以期提高模型的魯棒性與診斷精確率。【結果】結果表明，M-YOLO診斷模型的診斷結果明顯高于傳統的故障診斷方法，頻域轉換特征圖像也比時域圖像有更好的魯棒性，更適合目標檢測模型的訓練與分類。該診斷模型具有一定的泛用性，為軸承故障診斷領域提供了一條新思路。

關鍵詞：滾動軸承；故障診斷；視覺識別；YOLO；二維數據

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

0 引言

在旋轉機械設備中，滾動軸承是極易產生問題的關鍵零部件，一旦發生故障，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生故障時的及時處理成為維護現代機械的必備步驟。

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習的診斷方法。隨著深度學習的飛速發展，深度學習方法在故障診斷的應用也越來越廣泛[1-3]。YANG等[4]提出了基于層次符號分析和卷積神經網絡的旋轉機械故障診斷方案，并提出新的特征提取方式，縮短了設置參數的時間。ZHAO等[5]針對數據量大、傳輸困難等問題，提出了多尺度倒置殘差卷積神經網絡。

在機械設備的實際工況中，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，由此容易導致故障數據類型不平衡，影響診斷精度和穩定性，給滾動軸承的故障診斷帶來了更高的挑戰。由傳統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，并且經過時頻變換后的信號故障信息更加明顯，更有利于進行特征提取。

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換場[8]（Markov Transition Field， MTF）作為特征圖像；其次，引入了層數更深的You Only Look Once（YOLO）目標檢測網絡[9]作為基礎結構；為了解決卷積神經網絡常見的過擬合[10]問題，使用Dropblock[11]隨取丟棄神經元，并對YOLO模型進行了改進與修改，使其更加契合軸承故障診斷問題；最后，針對3個不同試驗臺的滾動軸承數據進行仿真試驗，針對試驗數據分析比較不同診斷方法的分類精度，驗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

1. 1 馬爾可夫轉換場

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