基于参数优化VMD与宽卷积神经网络的齿轮箱故障诊断

来源：电子测量技术杂志2025年第10期北京时间：

作者：万佳诚，曾宪文，李靖超

单位：1.上海电机学院电气学院 上海 201306;2.上海电机学院电子信息学院 上海 201306

摘要：针对齿轮箱故障诊断中因噪声干扰等因素导致的诊断效果不佳问题，提出一种基于改进的黑翅鸢优化算法（GBKA）优化变分模态分解（VMD）和宽卷积神经网络(WDCNN)的故障诊断方法。首先，针对黑翅鸢算法（BKA）易陷入局部最优和过早收敛的缺陷，引入遗传算法的基因交叉重组与变异操作对BKA进行改进；其次，利用改进后的GBKA对VMD参数寻优，通过相关系数筛选模态分量并重构信号；最后，将重构信号输入WDCNN模型，实现故障分类。结果表明，在测试函数上，GBKA相比BKA具有更优的寻优性能；在两种工况下，该方法的平均故障分类准确率分别达到99.645%和99.978%，优于其他对比方法，并且在噪声实验中受到噪声的影响较小，验证了所提模型的有效性和稳定性，为齿轮箱故障诊断提供了一种可靠的解决方案。

关键词：行星齿轮;故障诊断;宽卷积神经网络;VMD;GBKA算法

基金资助：国家自然科学基金面上项目(62076160)、上海市自然科学基金面上项目(21ZR1424700)、上海市青年科技启明星项目(23QA1403800)资助