Ранние отказы скольжения подшипников имеют скрытый характер. Для точного прогнозирования их вибрационной амплитуды была предложена модель глубокого обучения, объединяющая улучшенную YOLOv8 с модулем внимания сверточного блочного внимания (Convolutional Block Attention Module, CBAM), CBAM встраивается между Бэкбоном и Шеей модели для усиления внимания модели к важным вибрационным особенностям, одновременно используется улучшенная функция потерь полного пересечения для повышения точности обнаружения целей. Также, учитывая нелинейность и нестационарность вибрационных данных, в модель добавлена методика эмпирического разложения моды (Empirical Mode Decomposition, EMD) для прогнозирования данных состояния вибрации с целью повышения точности прогнозирования. Результаты показывают, что данный метод сравнительно с традиционными YOLOv8 и YOLOv7 значительно повысил точност обнаружения целей на 2,85 и 8,50 процентных пунктов соответственно на наборе данных работы паровой турбины мощностью 600 МВт, корень из среднеквадратической ошибки и средняя абсолютная ошибка уменьшились; также, в условиях высокого уровня шума, колебания ошибок модели снизились на 30% по сравнению с традиционными методами, что свидетельствует о большей обобщающей и стабильной способности этой модели.

attention mechanism;turbine vibration;YOLO;empirical mode decomposition