基于ResNet-RFA和BiGRU-SATT的弧齿锥齿轮箱故障诊断

来源：电子测量技术杂志2026年第8期北京时间：

作者：王晓晨，许昕，潘宏侠，张珂铭，程凯

单位：1.中北大学机械工程学院 太原 030051; 2.中北大学系统辨识与诊断技术研究所 太原 030051

摘要：针对传统故障诊断模型在齿轮箱振动信号时空特征协同挖掘不足和噪声环境下鲁棒性较弱的问题，本文提出一种融合感受野注意力残差网络（ResNet-RFA）与双向门控循环单元-自注意力机制（BiGRU-SATT）的智能故障诊断方法。首先对原始振动信号进行短时傅里叶变换（STFT）生成时频图像，并保留一维时序信号以保留多维度信息；随后构建双通道特征提取网络：空间特征通道采用ResNet-RFA模块，通过感受野注意力机制聚焦时频图像的关键区域；时序特征通道采用BiGRU-SATT模块，结合双向门控循环单元与自注意力机制捕捉动态依赖关系；最后通过特征拼接融合策略整合时空信息，输入全连接层实现故障分类。实验结果表明，该方法准确率达到100%，显著优于对比模型（Transformer：91%，Mamba：96%，SVM：94%，DBN：89%），在添加10、20 dB高斯-脉冲混合噪声后仍保持较高识别性能，展现出优异的抗噪性与稳定性。综上，ResNet-RFA与BiGRU-SATT的融合模型能够有效协同挖掘信号的时空特征，在准确率和鲁棒性方面均优于其他对比模型，适用于复杂工业环境。

关键词：残差网络;感受野注意力;双向门控循环单元

基金资助：内燃机可靠性国家重点实验室基金(skler-201911)项目资助