基于GMVMD-ECA-ResNet-MA在生产噪声环境下轴承套圈磨削烧伤识别

来源：振动与冲击杂志2025年第17期北京时间：

作者：迟玉伦，高程远，朱欢欢zhuhuanhuan5，朱文博

单位：1. 上海理工大学 机械工程学院， 上海200093；2. 上海工程技术大学 高职学院， 上海200437

摘要：为实现生产噪声环境下小样本、多型号的轴承套圈磨削烧伤现象的有效识别，避免不合格零件流入装配环节，提出一种多元模态分解（multivariate variational modal decomposition，MVMD）和残差神经网络（residual network，ResNet）相结合的轴承套圈磨削烧伤识别方法。首先，利用灰狼算法（grey wolf optimized，GWO）对MVMD进行参数寻优，筛选本征模态函数（intrinsic mode function，IMF）进行信号重构，实现多元信号联合去噪；其次，将去噪后的信号利用格拉姆角场（graham's angle field，GAF）转换为二维图像并进行多通道融合，获得RGB融合特征图；然后，将其作为输入构建融合多注意力的识别模型GMVMD-ECA-ResNet-MA进行磨削烧伤特征提取及分类，再使用不同型号轴承套圈数据并微调基础模型权重参数，进行迁移学习，实现轴承套圈多型号烧伤识别。最后，实验结果表明：GMVMD-ECA-ResNet-MA在仅有少量训练样本的情况下，烧伤识别率依然可达90%以上。与其他模型进行对比，两组迁移任务中所得模型的平均识别准确率分别为94.44%与95.83%，因此，本文所提方法得到的模型在生产噪声环境下具有更高的识别准确率和更强的泛化能力。<br>

关键词：多元变分模态分解（MVMD）；深度学习；磨削烧伤；格拉姆角场（GAF）