슬라이딩 베어링의 초기 고장은 숨은 성격을 가지고 있습니다. 진동폭을 정확히 예측하기 위해 YOLOv8를 최적화한 CBAM(convolutional block attention module)과 결합한 딥러닝 모델을 제안했습니다. CBAM 모듈은 BackBone과 Neck 사이에 삽입되어 중요한 진동 특성에 대한 모델의 주의를 높일 수 있도록 설계되었으며, 개선된 완전 교차 손실 함수를 사용하여 대상 검출 정밀도를 향상시켰습니다. 또한, 진동 데이터의 비선형 및 비정상 특성을 고려하여 진동 상태 데이터를 예측하기 위해 경험적 모드 분해(empirical mode decomposition, EMD)를 모델에 추가했습니다. 결과적으로, 이 방법은 600MW 증기 터빈 운전 데이터셋에서 기존 YOLOv8 및 YOLOv7에 비해 각각 2.85 및 8.50 백분점 증가한 대상 검출 정확도를 보였으며, 평균 제곱 오차와 평균 절대 오차가 감소하였습니다. 또한, 높은 잡음 환경에서 이 모델의 오차 변동은 기존 방법보다 30% 감소했으며, 이는 이 모델의 더 강한 일반화 능력과 안전성을 나타낸다.

attention mechanism;turbine vibration;YOLO;empirical mode decomposition