来源：期刊VIP网 时间：
作者：李亚超;刘昊煜;徐皓康;官宇晗;祁湛桐;顾煜炯;
单位：国家能源集团花园电厂;华北电力大学能源动力与机械工程学院;
摘要：滑动轴承的早期故障具有隐秘性，为了准确预测其振动幅值，提出了一种结合YOLOv8优化的CBAM(convolutional block attention module)的深度学习模型，在Backbone和Neck之间嵌入CBAM模块以提升模型对重要振动特征的关注度，同时采用改进的完全交并比损失函数，提高目标检测精度。同时，考虑到振动数据的非线性、非稳态特性，在模型中添加经验模态分解（empirical mode decomposition,EMD）方法对振动状态数据进行预测，以提高预测的准确性。结果表明：该方法在600MW汽轮机运行数据集上相较于传统YOLOv8和YOLOv7，在目标检测准确率上分别提升2.85百分点和8.50百分点，均方根误差和平均绝对误差均有所减少；此外，在高噪声环境下，该模型的误差波动较传统方法降低30%，表现出更强的泛化能力和稳定性。
关键词：注意力机制;;汽轮机振动;;YOLO;;经验模态分解
