A Fault Diagnosis Method of Rolling Bearings Based on GRM-IConvNeXt Model

doi:10.12068/j.issn.1005-3026.2025.20230300

Abstract

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

CLC Number:

U 666.1

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.

Figures/Tables 12

References 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.

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

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

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

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

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