%0 Journal Article
%A 陈志刚1
%A 2
%A 陶子纯1
%A 王衍学1
%A 史梦瑶1
%T 基于逐次变分模态分解和CBAM-ResNet的滚动轴承故障诊断方法
%D 2025
%R 
%J 振动与冲击
%P 298-304
%V 44
%N 4
%X 针对噪声背景下滚动轴承信号故障特征提取与智能诊断问题，本文提出基于逐次变分模态分解(successive variational mode decomposition, SVMD)以及注意力机制-残差神经网络(convolutional block attention module-residual neural network，CBAM-ResNet)的轴承故障诊断方法。首先对轴承振动信号进行SVMD分解成一系列本征模态分量，根据包络熵和峭度融合评价指标选择含故障特征明显的模态分量并重构；将重构信号进行短时傅里叶变换得到时频图像。之后利用CBAM能够自适应捕捉图形特征的特点，把重构信号的时频图像输入CBAM-ResNet模型进行特征提取和故障模式识别。在CBAM-ResNet模型训练过程中，使用迁移学习的方法初始化ResNet模型的参数来提高模型的泛化性。与其他传统模型相比，本文所提方法的分类准确率高达96.68%，具有更强的故障特征提取能力。实验结果表明，CBAM-ResNet模型在变工况环境下也具有较高的识别精度。<br>
%U https://jvs.sjtu.edu.cn/CN/abstract/article_14016.shtml