基于GRM-IConvNeXt模型的滚动轴承故障诊断方法

doi:10.12068/j.issn.1005-3026.2025.20230300

摘要/Abstract

摘要：

针对复杂的轴承运行工况以及传统深度学习故障诊断方法泛化能力弱、模型识别准确率不高等问题，提出了一种基于GRM-IConvNeXt模型的滚动轴承故障诊断方法.首先，提出了一种全局关系矩阵(global relationship matrix, GRM)的编码方法，利用其保留原始信号特征的优点将一维振动信号转换为二维图像.然后，构造了一个针对轴承故障诊断小样本分类的改进ConvNeXt(improved ConvNeXt, IConvNeXt)模型，并选用大小为5×5的卷积核和多个BN层与Hardswish激活函数以强化特征提取性能，同时通过CBAM机制根据GRM图像特征自适应地生成权重.实验结果表明，GRM-IConvNeXt模型在变工况和小样本的情况下都具有良好的特征提取能力和泛化性.

关键词: 滚动轴承, 全局关系矩阵, IConvNeXt模型, CBAM, 故障诊断

Abstract:

Aiming at the problems of complex bearing operating conditions， weak generalization ability and low accuracy of model recognition of traditional deep learning fault diagnosis methods， a rolling bearing fault diagnosis method based on the GRM-IConvNeXt model is established. Firstly， a coding method of global relationship matrix （GRM） is proposed， which can transform one-dimensional vibration signals into two-dimensional images by taking the advantage of preserving the original signal features. Then， an improved ConvNeXt （IConvNeXt） model for small sample classification of bearing fault diagnosis is constructed， and a convolution kernel with a size of 5×5， multiple BN layers and Hardswish activation function are selected to enhance the feature extraction performance. At the same time， weights are adaptively generated according to the GRM image features through the CBAM（convolutional block attention module） mechanism. The experimental results show that the GRM-IConvNeXt model has good feature extraction ability and generalization under off-design conditions and small samples.

Key words: rolling bearing, global relationship matrix（GRM）, IConvNeXt model, CBAM（convolutional block attention module）, fault diagnosis

中图分类号:

U 666.1

罗亨发, 于天壮, 周世华. 基于GRM-IConvNeXt模型的滚动轴承故障诊断方法[J]. 东北大学学报（自然科学版）, 2025, 46(5): 62-70.

Heng-fa LUO, Tian-zhuang YU, Shi-hua ZHOU. A Fault Diagnosis Method of Rolling Bearings Based on GRM-IConvNeXt Model[J]. Journal of Northeastern University(Natural Science), 2025, 46(5): 62-70.

图/表 12

图1 IConvNeXt 块

Fig.1 IConvNeXt block

图2 CBAM

Fig.2 CBAM

图3 GRM-IConvNeXt故障诊断方法流程图

Fig.3 Flowchart of GRM-IConvNeXt fault diagnosis method

表1 CWRU 10种故障类别的数据集状态

Table1 Data set status of ten CWRU fault categories

标签	故障类型	损伤尺寸	训练样本	测试样本
标签	故障类型	mm	训练样本	测试样本
0	无故障（N）	0	400	100
1	内圈故障（IR）	0.177 8	400	100
2	内圈故障（IR）	0.355 6	400	100
3	内圈故障（IR）	0.533 4	400	100
4	滚动体故障（BR）	0.177 8	400	100
5	滚动体故障（BR）	0.355 6	400	100
6	滚动体故障（BR）	0.533 4	400	100
7	外圈故障（OR）	0.177 8	400	100
8	外圈故障（OR）	0.355 6	400	100
9	外圈故障（OR）	0.533 4	400	100

图4 原始时域信号与GRM图像

Fig.4 Original time domain signals and GRM images

图5 自适应特征后的输出效果图(a)—准确率与损失曲线图； (b)—混淆矩阵图； (c)—特征二维可视化图； (d)—特征三维可视化图.

Fig.5 Output renderings after adaptive features

表2 准确率对比

Table 2 Comparison of accuracy

网络

准确率/%

方差

GRM+IConvNeXt

GRM+ConvNeXt

GRM+ResNet

100

97.55

95.62

0.004 2

0.098 7

0.206 2

GRM+MobileNet

92.46

0.586 4

图6 QPZZ-II旋转机械振动及故障模拟实验台及滚动轴承部分故障实际效果图

Fig.6 QPZZ-II rotating machinery vibration and fault simulation test bench and actual effect picture of rolling bearing faults

表3 滚动轴承结构参数

Table 3 Rolling bearing structure parameters

参数	数值
内圈直径d_i/mm 外圈直径d_o/mm	25 52
滚动体直径d/mm	8
滚动体数目Z	12
轴承节圆直径D_m/mm	39.5
轴承宽度/mm	15
接触角/（°）滚动体有效长度l_w/mm	0 10

表4 实验台5种故障数据集

Table 4 Five kinds of fault data sets of the test bench

标签	故障类型	训练样本	测试样本
0	N	800	200
1	IR	800	200
2	OR	800	200
3	BR	800	200
4	OBR	800	200

图7 不同工况下的平均分类准确率

Fig.7 Accuracy under different working conditions

图8 各工况混淆矩阵图(a)—工况0； (b)—工况1； (c)—工况2.

Fig.8 Confusion matrix diagram of each working condition

参考文献 16

[1]	刘磊，李舜酩，陆建涛. 基于卷积神经网络的旋转传动部件故障诊断综述［J］. 机械设计， 2022， 39（10）： 1-8.
	Liu Lei， Li Shun-ming， Lu Jian-tao. Overview of fault diagnosis of rotary transmission parts based on convolution neural network［J］. Mechanical Design， 2022， 39（10）： 1-8.
[2]	Guo S， Yang T， Gao W， et al. A novel fault diagnosis method for rotating machinery based on a convolutional neural network［J］. Sensors， 2018， 18（5）： 1429-1445.
[3]	杨建华，韩帅，张帅，等. 强噪声背景下滚动轴承微弱故障特征信号的经验模态分解［J］. 振动工程学报， 2020， 33（3）： 582-589.
	Yang Jian-hua， Han Shuai， Zhang Shuai， et al. Empirical mode decomposition of weak fault characteristic signal of rolling bearing under strong noise background［J］. Acta Vibration Engineering， 2020， 33（3）： 582-589.
[4]	贾亚飞，朱永利，王刘旺. 基于VMD和Wigner-Ville分布的局放信号时频分析［J］. 系统仿真学报， 2018， 30（2）： 569-578.
	Jia Ya-fei， Zhu Yong-li， Wang Liu-wang. Time-frequency analysis of partial discharge signal based on VMD and Wigner-Ville distribution［J］. Journal of System Simulation， 2018， 30（2）： 569-578.
[5]	尹爱军，李海珠，李江，等. Wigner-Ville分布复小波相似性评价及应用［J］. 振动测试与诊断， 2020， 40（1）： 7-11.
	Yin Ai-jun， Li Hai-zhu， Li Jiang， et al. Similarity evaluation and application of complex wavelet of Wigner-Ville distribution［J］. Vibration Test and Diagnosis， 2020， 40（1）： 7-11.
[6]	Wu C X， Chen T F， Jiang R， et al. A novel approach to wavelet selection and tree kernel construction for diagnosis of rolling element bearing fault［J］. Journal of Intelligent Manufacturing， 2017， 28（8）： 1847-1858.
[7]	Wang H， Liu Z L， Peng D D， et al. Understanding and learning discriminant features based on multi-attention 1DCNN for wheelset bearing fault diagnosis［J］. IEEE Transactions on Industrial Informatics， 2020， 16（9）： 5735-5745.
[8]	Guo Q W， Li Y B， Song Y， et al. Intelligent fault diagnosis method based on full 1-D convolutional generative adversarial network［J］. IEEE Transactions on Industrial Informatics， 2020， 16（3）： 2044-2053.
[9]	Kaya Y， Kuncan F， Ertunc H M. A new automatic bearing fault size diagnosis using time-frequency images of CWT and deep transfer learning methods［J］. Turkish Journal of Electrical Engineering and Computer Sciences， 2022， 30（5）： 1851-1867.
[10]	Liu X P， Xia L J， Shi J， et al. A fault diagnosis method of rolling bearing based on improved recurrence plot and convolutional neural network ［J］. IEEE Sensors Journal， 2023， 23（10）： 10767-10775.
[11]	He K， Xu Y， Wang Y， et al. Intelligent diagnosis of rolling bearings fault based on multisignal fusion and MTF-ResNet［J］. Sensors， 2023， 23（14）： 62-81.
[12]	Liu Z， Mao H， Wu C Y， et al. A ConvNet for the 2020s［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New Orleans， 2022： 11976-11986.
[13]	Smith W A， Randall R B. Rolling element bearing diagnostics using the Case Western Reserve University data： a benchmark study［J］. Mechanical Systems and Signal Processing， 2015， 64： 100-131.
[14]	任朝晖，于天壮，丁东，等. 基于VMD-DBN的滚动轴承故障诊断方法［J］. 东北大学学报（自然科学版）， 2021， 42（8）： 1-6.
	Ren Zhao-hui， Yu Tian-zhuang， Ding Dong， et al. Fault diagnosis method of rolling bearing based on VMD-DBN［J］. Journal of Northeastern University（ Natural Science）， 2021， 42 （8）： 1-6.
[15]	Xie S， Girshick R， Dollár P， et al. Aggregated residual transformations for deep neural networks ［C］// 30th IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. Honolulu， 2017： 1492-1500.
[16]	Chen Y H， Yange T J， Emer J S， et al. Eyeriss v2： a flexible accelerator for emerging deep neural networks on mobile devices［J］. IEEE Journal on Emerging and Selected Topics in Circuits and Systems， 2019， 9（2）： 292-308.