基于ResNet50-CBAM模型的滾動軸承故障診斷研究

中圖分類號：TP18 文獻標志碼：A 文章編號：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

滾動軸承作為設備隨動系統中重要的組件，主要承擔支撐和旋轉的功能，可降低設備傳動軸與支撐部位的摩擦力，同時為傳動軸的軸承提供支撐。加強對滾動軸承的故障診斷，可有效預防故障的發生，提高故障維修效率。隨著科技的發展，對于軸承的故障診斷由傳統方法向智能化方向轉變，深度學習在機械故障診斷方面取得了顯著的成就。傳統的故障分類算法要與特征提取方法相結合，需要使用人工特征提取，因為人為因素的干擾會降低故障診斷方法的泛化性。在深度學習領域中的網絡模型能夠自動提取識別特征，可規避人為劃分特征對故障診斷準確率造成的影響。但是隨著深度學習模型訓練層數和參數的增加，模型會出現過擬合和判斷性能衰退的問題。針對深度學習網絡模型的不足，本文提出了ResNet50網絡與CBAM模塊結合改進的網絡模型，同時加入遷移學習和Dropout函數。改進后的網絡模型既可以識別到微小的故障特征，還能夠降低訓練中的過擬合問題，減少訓練時間，有效提升故障診斷準確率。

1滾動軸承故障機理分析

滾動軸承長期在高負荷環境下運行，設備可能面臨磨損、老化及斷裂等諸多故障，直接影響到設備運行的可靠性和穩定性。一旦滾動軸承發生故障不能及時得到處理，不僅會造成經濟損失，甚至會產生嚴重的安全事故。所以，要加強對滾動軸承的故障診斷研究，提前發現潛在故障并及時處理，為設備安全運行提供有力的安全保障。對滾動軸承的故障機理進行分析，有利于后續研究的開展。振動是滾動軸承較為常見的故障類型，其原因主要可分為內部原因和外部原因。內部原因主要是軸承長期在高負載運行情況下，由于設計誤差、制造誤差等，在軸承運轉過程中由于零部件間的相互作用而導致變形或者位移，從而引發特定頻率的振動。外部原因主要是因為密封不良導致雜質進入軸承軌道，潤滑不良而增加滾動體和軌道間的摩擦，安裝不正確也會引發振動。導致軸承振動的原因較多，有時可能是多種原因所致，有時一種故障又會引發另一種故障。在軸承運轉過程中，還會有其他原因，導致軸承出現塑性變形失效、疲勞失效、腐蝕失效和斷裂失效等故障，不僅會縮短軸承的使用壽命，還會威脅隨動設備運行的穩定性和可靠性。

2 理論基礎

2.1 卷積神經網絡

卷積神經網絡（CNN）是一類強大的處理圖像數據的神經網絡，能夠在輸入的數據圖像中自動提取出關鍵的特征參數。傳統的CNN模型主要由卷積層、池化層、全連接層和Softmax分類器構成，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，通過共享權重可減少網絡參數，提高模型的訓練速度和效果。池化層位于卷積層之間，其對卷積層的輸出結果進行池化采樣來篩選出重要的特征信息，可降低數據量的計算量，加快運算速度。池化層會將特征信息壓縮為單一的數值，然后繼續輸人到下一層。全連接層作為卷積神經網絡的最后一層，主要是將前一層的所有特征信息進行整合，然后再將這些信息通過分類層進行處理，最終得到分類結果。

2.2 殘差神經網絡

隨著網絡神經深度的增加，網絡容易出現過擬合、梯度爆炸、梯度消失及網絡退化等問題，不僅增加了網絡訓練難度，并且網絡訓練精準度達到飽和。基于此， He 等提出了殘差神經網絡，由多個殘差塊組成殘差網絡神經，如圖2所示， ΔX_n 為殘差塊的輸入， F（X_n） 為映射函數， 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系，殘差塊沒有擬合多個網絡層堆疊的直接映射，避免了直接學習從輸入到輸入的映射，而是通過學習它們之間的差別來減少運算的復雜度，在現實中會更容易優化，降低映射的學習難度，進而加速模型的收斂速度。

2.3 CBAM注意力機制

從本質上講，注意力機制可以理解成對輸入圖像進行動態調整權重的過程，通過對每個特征信息的重要程度進行計算，再對其重新分配權重，以此來提高對重要特征的關注程度。這種方法可避免深層神經網絡受無效信息的影響，從而提升神經網絡的分類性能。本文采用的為卷積注意力機制，分別在通道維度和空間維度上使用注意力機制，從空間和通道2個維度上來強調和關注重要特征，同時會抑制不必要的特征。2種注意力機制相互獨立，均可作為獨立的模塊應用于已有的卷積神經網絡中，CBAM的結構圖如圖3所示。

2.4 遷移學習

遷移學習可以理解為將已經掌握的知識應用于提升其他項目效果的行為，將遷移學習應用于網絡模型中，可有效提升模型的初始性能，同時增強模型的收斂效果。遷移學習的核心在于源域與目標域之間的相似性，這樣原始域與目標域的各類任務之間可以共享部分模型架構或者對應的模塊，如圖4所示。當數據集的相似度較高時，只需要訓練最后一級的全連接層即可獲得較好的性能。源域的模型在大規模數據集中經過完全訓練，并且已經獲取了優秀的分類性能，然后將訓練好的權重參數遷移至目標域的ResNet50-CBAM模型中，可凍結訓練層參數，僅訓練全連接層，可大大縮短訓練時間，有效解決在現實中缺少訓練數據的問題，降低欠擬合和過擬合的風險，

3 實驗驗證

為了對改進后的ResNet50-CBAM網絡模型的有效性進行驗證，本文首先使用凱斯西儲大學（CWRU）滾動軸承故障公開數據集進行訓練，用來檢測模型的準確性，然后利用某隨動系統模擬平臺上采集的數據驗證此方法的有效性。

3.1模型訓練數據來源

本次實驗使用CWRU滾動軸承故障數據集作為訓練模型的基礎數據集，以SKF生產的6205-2RS滾動軸承作為研究對象。在滾動軸承的滾動球體、外圈和內圈使用電火花預制點蝕故障，在這3處設定單一位置的單點故障。本次實驗振動信號采集頻率為12kHz ，在驅動端（DE）的負載分別為1級、2級、3級的情況下進行原始振動信號的采集，不同情況下分別引入軸承損失尺度為 7、14、21mils 的單點故障的滾動軸承進行實驗，然后加上軸承正常健康狀態下數據，一種為10類故障。

數據集情況見表1，在數據集中共有10000個樣本，按照8：2劃分為訓練集和測試集，對每種軸承故障數據進行從0到9的標記。將每2個樣本進行部分數據點的重疊操作，使用ICEEMDAN將軸承數據進行信號分解提取出原始故障信號，再經過Hilbert變換成二維時頻圖，經過圖片裁剪分類后輸入到網絡模型中進行訓練，以驗證模型的準確性。

3.2 模型構建

經過ICEEMDAN和Hilbert處理過的故障信號，將其輸人到深度卷積神經網絡模型中，可自動提取軸承的故障特征。再運用遷移學習對參數權重進行轉移，只對最后一級的全連接層進行訓練，既能夠提升訓練的準確率，又可以節約訓練時間。在全連接層之前引入注意力機制，自主學習并獲取特征圖中各個通道的關鍵權重，再根據權重等級為每個特征分配一個權重值，從而提升神經網絡對重要權重信息的關注，忽略權重值不高的特征通道，以此提升檢測結果的準確率，最終完成軸承故障的分類。以上即是ResNet50-CBAM網絡模型優化后的故障診斷流程，ResNet50-CBAM網絡模型結構圖如圖5所示。

3.3 實驗參數

為了保證模型性能，對ResNet50-CBAM模型參數進行調整和優化，采用邊訓練邊調節的方式，包括學習率、批處理大小、迭代次數等，以尋求最優的模型性能。學習率設置為0.0002，在訓練過程中，每經過10個epoch，將學習率乘以0.9，使得模型在訓練后期能夠更加精細地調整參數。在設置批處理大小時，分別對16、32、64和128這4個參數進行實驗，最終從訓練時間和模型性能等方面綜合考慮，確定批處理大小64作為最優參數。從模型性能和訓練效率方面考慮，最終確定迭代次數為100，選擇Adam作為優化器。

3.4 模型訓練

利用PyTorch構建網絡模型，在10組數據中每次都隨機抽取64張圖片，將圖片隨機裁剪成 ^128×128 像素的尺寸，然后將處理后的圖片輸入到模型中進行訓練。如圖6所示，因為ResNet50-CBAM網絡模型的訓練起點較高，所以隨著迭代次數的增加，模型訓練的準確率不斷增加，當迭代次數達到20次時，準確率逐漸維持在一個較高的水平。迭代次數在10次左右時，損失值呈快速下降趨勢，且在迭代次數為30次之后逐漸穩定并趨于0。這說明改進后的ResNet50-CBAM網絡模型具有較好的擬合效果，訓練效果較好。

3.5ResNet50-CBAM模型與其他模型的對比

為了驗證 ResNet50-CBAM 故障診斷模型的有效性及優越性，將其分別與VGG、AlexNet、ResNet故障診斷模型進行對比。所有模型都使用相同的數據集，在相同的實驗環境下進行訓練和測試。如圖7所示，ResNet50-CBAM模型的準確率最高，且已經超過AlexNetl 5% 。

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

3.6 ResNet50-CBAM模型的應用效果

為了驗證改進模型在不同平臺上的實際應用效果，在某隨動系統模擬平臺上進行信號采集，以滿足準確采樣和低成本的要求。分別采集軸承內圈故障振動信號和軸承外圈故障振動信號2個種類的故障信號，然后將采集到的數據利用ICEEMDAN和Hilbert轉換成二維時頻圖，將二維時頻圖輸人到使用CWRU的數據訓練好的網絡模型中進行故障診斷。對2種狀態軸承分別隨機抽取3組診斷數據進行驗證，由表2可知，對于軸承內圈損失尺寸為 的故障診斷準確率均在 99% 以上，對于軸承外圈損失尺寸為7mils的故障診斷準確率也保持在 95% 以上。由此結果，可以驗證ResNet50-CBAM網絡模型通過遷移學習具有很強的性能，運算能力有所提升，可以在隨動系統模擬平臺中對滾動軸承進行故障診斷，應用效果較為顯著。

4結束語

對設備隨動系統滾動軸承進行故障診斷，可減少安全事故的發生，為保證設備的安全穩定運行提供有力保障。在已有的 ResNet50 模型架構上，加入CBAM注意力機制，在空間和通道2個維度實現故障特征的深度挖掘。然后借助遷移學習的方法，即可減少模型訓練時間，還能夠提升訓練精度。對改進后的ResNet50-CBAM網絡模型進行實驗，說明其具有較強的故障診斷性能。隨后又將ResNet50-CBAM模型與其他模型進行對比，并且在某隨動系統模擬平臺采集數據再次驗證，都說明ResNet50-CBAM模型在滾動軸承故障診斷中的有效性和優越性。

參考文獻：

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

[2]王英杰，朱景建，龔智強，何彥虎.基于DAE-BiLSTM-CNN的滾動軸承故障診斷方法[J].機械設計，2024，41（11：123-129.

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