基于InceptionV3-卷积块注意力模块模型的微电机转子不平衡预测方法

《Engineering Applications of Artificial Intelligence》：A prediction method for micro-motor rotor unbalance based on the InceptionV3- Convolutional block attention module model

转子失衡是机械故障的重要诱因，微电机因轻量紧凑特性面临更精准失衡测量的挑战。本文提出融合数据增强与注意力机制的InceptionV3-CBAM预测模型，将振动信号经GAF方法转换为图像并融合多源特征，结合概率映射实现失衡质量的连续估计。实验显示该方法对失衡量和相位预测准确率达94%，有效提升了微电机转子失衡的检测精度与泛化能力。

　　

张浩彦|安阳|范家荣|王慧敏|郑东霞|王帅|王国强

吉林大学机械与航空航天工程学院，长春，中国

摘要

转子不平衡是机械故障的重要原因之一，因此准确估计不平衡值至关重要。由于微型电机具有轻量化和紧凑的设计特点，在精确测量不平衡方面面临更大的挑战。为了解决这个问题，提出了一种针对微型电机的转子不平衡预测模型，该模型结合了数据融合和注意力机制。首先，使用Gramian角场（GAF）方法将两组振动信号转换为图像，并将它们融合以构建不平衡数据集。然后采用数据增强来提高模型的泛化能力。接下来，基于InceptionV3网络开发了一个不平衡预测模型，并加入了卷积块注意力模块（CBAM），注意力机制增强了特征提取，而迁移学习提高了训练效率和预测精度。最后，将改进后的模型与概率映射方法结合使用，以估计不平衡质量。实验结果表明，所提出的方法在不平衡幅度和相位方面的预测精度达到了94%。这种方法不仅提高了微型电机转子不平衡的估计精度，也为其他类型机械的不平衡检测提供了参考。

引言

电动机是机械系统中的基本动力组件，也是最常见的旋转机械类型之一（Wu等人，2021年）。特别是微型电机，由于其紧凑的尺寸、简单的结构和高效性，在工业自动化、机器人技术和医疗保健等领域得到了广泛应用（Chen等人，2021年；Kim等人，2021年；Y. Li等人，2022年；Liu等人，2021年）。转子是电动机的一个关键部件，其性能直接决定了电动机能否可靠运行。制造缺陷、装配错误和磨损可能导致转子的重心偏离其几何中心。这种偏差在旋转过程中会产生不平衡的离心力，从而导致转子不平衡故障（Chuan和Changsheng，2018年）。即使是很小的不平衡，在转子高速旋转时也会引起严重的振动，可能影响转子性能，损坏其他部件，甚至带来安全隐患。因此，准确识别和估计转子不平衡对于确保电动机的安全运行至关重要（Yu等人，2024年）。转子不平衡故障的检测和估计方法通常分为两种主要方法：影响系数法和模态平衡法（Z. Han等人，2023年；Zhang等人，2023年）。影响系数法首先建立校正平面的不平衡向量与振动幅度之间的关系，然后根据向量反馈原理计算出观察到的振动所对应的不平衡向量。然而，这种方法依赖于线性系统的假设，需要多个试验权重，对测量噪声敏感，容易受到校正平面之间耦合效应的影响，且其平衡精度容易受到运行条件的影响。模态平衡法则将振动响应分解为基于模态形状的叠加。它考虑了不平衡引起的振动、模态形状和转子平衡的非线性效应。然而，它受到模态截断误差的限制，并且分解密集排列的模态较为困难。此外，它依赖于精确的模态参数，计算复杂，因此在处理强非线性振动问题时效果较差。为了解决这些问题，相关研究提出了改进措施，如改进影响系数识别算法（Carvalho等人，2018年；L. Li等人，2022a）和优化多阶模态加权（Tresser等人，2018年；Zhang等人，2021a）。此外，还引入了混合策略来提高这些方法的适用性（Baltazar-Tadeo等人，2023年；YA等人，2024年；Zhang等人，2021b）。需要注意的是，这两种方法都依赖于不平衡向量与振动之间的传递和影响机制。本质上，它们是从可测量的振动信号中推断不可测量的不平衡向量，因此不平衡条件下的振动响应成为分析的重点（Zhang等人，2023年）。

从振动信号中估计不平衡量本质上是特征提取和模式识别的过程（Zhu等人，2019年）。传统的机器学习方法通常依赖于从频率、时间或统计领域提取的手工特征来检测不平衡状态（Freeman等人，2021年）。有研究提出了基于KNN的框架，用于海洋电流涡轮转子的不平衡检测，实现了故障识别和严重程度分类。类似地（Chen等人，2021年），使用支持向量机在变化的噪声和风条件下可靠地检测转子不平衡（de Sá Só Martins等人，2021年）；进一步证明随机森林模型可以有效分类复合故障。尽管这些方法在特定运行条件下表现良好，但它们本质上依赖于手动特征工程，对微妙信号变化的敏感性有限，缺乏自适应学习能力，从而限制了它们的泛化性能（Zhang等人，2020年）。

近年来，由于深度学习在自动特征学习方面的强大能力，它越来越多地应用于旋转机械故障诊断（Wang等人，2021年）。现有研究利用具有不同架构的神经网络直接从振动信号中提取高级表示。例如（Zhong等人，2021年），使用具有参数共享机制的卷积神经网络（CNN）实现了与质量无关的转子轨迹平衡（L. Li等人，2022b）。有研究提出了一种无质量跟踪的基于深度学习的平衡方法，进一步分析了转子动力学和控制策略（Zhu等人，2025年）。有研究提出了一种基于频域相关性的预适应迁移学习方法，用于样本重建，将模拟动态模型中的数据转换为实验数据，以实现转子不平衡位置的跨域深度迁移识别（S. Han等人，2023a）。还有研究开发了一种用于柔性转子不平衡故障定位的迁移学习方法，将动态模型仿真与实验数据相结合。通过利用来自转子动态模型的振动数据集，这种方法实现了转子不平衡位置的跨域深度迁移识别（Zhong等人，2023年）。还有研究提出了一种两阶段基于深度学习的盘式转子平衡方法，第一阶段识别不平衡力向量，第二阶段确定不平衡力序列对应的质量和相位。

然而，大多数关于转子不平衡检测的研究集中在大型柔性转子上，而对于微型电机中使用的小型和轻量化刚性转子的关注较少。此外，现有研究主要关注不平衡状态的识别或不平衡严重程度的分类，而准确估计微型电机转子中的微小不平衡质量仍然是一个关键挑战。在深度学习方法中，CNN表现出强大的特征提取能力，使其成为诊断转子不平衡状态的有效方法（S. Han等人，2023b；Arshad等人，2025年）。同时，有研究表明将一维振动信号转换为二维表示输入到CNN中可以进一步提高识别性能（Li和Gao，2024年；Zhu等人，2019年）。因此，采用适当的方法将获取的一维振动信号转换为图像是必要的。Gramian角场（GAF）方法（Shi等人，2024年；Wang和Oates，2015年）不仅保留了原始信号信息，还捕捉了采样点之间的时间相关性。与原始信号相比，使用GAF方法将时域信号编码为图像提供了更丰富的特征表示，提高了故障诊断的效果。近年来，Inception系列网络模型不断进化，出现了几个优化版本。其中，InceptionV3模型简化了网络参数，并平衡了特征提取能力，引入了卷积分解。这种设计提高了计算效率，同时保持了模型的表达能力，为后续CNN模型的设计提供了重要参考。此外，该模型通过仅保留中间层的辅助分类器来优化辅助分类器结构，确保了有效的梯度反向传播，进一步提高了分类性能（Al Husaini等人，2022年；Stefenon等人，2022年）。

为了解决机械电机中转子不平衡状态识别的需求并克服现有方法的局限性，本研究提出了一种基于InceptionV3-CBAM网络的新不平衡预测模型。通过结合多尺度卷积和注意力机制，该模型增强了捕捉和区分微妙振动特征的能力。同时，信号融合策略整合了双源特征信息，实现了转子不平衡状态的全面表示。此外，考虑到不平衡质量的连续性，使用来自预测类别的概率加权输出来估计连续的质量值，最终实现了微型电机转子的准确不平衡预测。

小节片段

Gramian角场方法

随着机器视觉的快速发展，计算机识别和分类图像的能力得到了显著提高。一种广泛采用的方法是将时间序列数据转换为图像以便更有效的处理。与基于笛卡尔坐标的方法相比，GAF方法将一维时间序列信号映射到极坐标系统中，然后将其转换为二维图像。这种方法不仅保留了原始信息

实验设置和评估指标

实验中使用的计算机硬件规格如下：CPU：Intel i9-13900KF，64 GB RAM，NVIDIA RTX A4000-16 GB。实验采用了PyTorch和CUDA技术，选择PyCharm和Python 3.12作为集成开发环境（IDE）和编程语言。使用的操作系统是Windows，超参数配置如表4所示。每个转速条件包括15000个样本。

结论

在机械领域，电机状态与设备性能密切相关，而转子不平衡是最常见的电机故障之一。因此，准确预测转子不平衡可以提高机械的运行质量和效率。为了解决这一挑战，本研究提出了一种结合迁移学习的转子不平衡预测方法。通过实验结果验证了所提出方法的有效性。

CRediT作者贡献声明

张浩彦：撰写——原始草稿。安阳：撰写——审阅和编辑。范家荣：验证。王慧敏：数据整理。郑东霞：正式分析。王帅：资金获取。王国强：调查、资金获取。

利益冲突声明

作者声明没有竞争性财务利益。

致谢

本工作得到了国家自然科学基金（资助编号：52375098；52302516）、吉林省教育科学“十四五”规划2024年重点课题（资助编号：ZD24101）、工程集群青年人才专项支持计划（资助编号：419021423G68）以及2024年博士后人员留在（来到）吉林的资助（资助编号：820241042418）的支持。