Las fallas tempranas de los cojinetes deslizantes tienen un carácter oculto. Con el fin de predecir con precisión su amplitud de vibración, se propuso un modelo de aprendizaje profundo que combina YOLOv8 mejorado con el módulo de atención de bloque de convolución (Convolutional Block Attention Module, CBAM), se integra CBAM entre el Backbone y el Neck del modelo para mejorar la atención del modelo en las características vibratorias importantes, al mismo tiempo se utiliza una función de pérdida de intersección completa mejorada para mejorar la precisión de la detección de objetivos. Además, teniendo en cuenta la no linealidad y no estacionariedad de los datos de vibración, se agregó al modelo un método de descomposición modal empírica (Empirical Mode Decomposition, EMD) para predecir los datos del estado de vibración con el fin de mejorar la precisión de la predicción. Los resultados muestran que este método, en comparación con YOLOv8 y YOLOv7 tradicionales, mejoró significativamente la precisión de la detección de objetivos en 2,85 y 8,50 puntos porcentuales respectivamente en el conjunto de datos de funcionamiento de la turbina de vapor de 600 MW, disminuyendo tanto el error cuadrático medio como el error medio absoluto; además, en entornos de alto ruido, las oscilaciones de errores de este modelo se redujeron un 30% en comparación con los métodos tradicionales, mostrando una mayor capacidad de generalización y estabilidad de este modelo.

attention mechanism;turbine vibration;YOLO;empirical mode decomposition