基于GADF和HWP-CBAM-ResNet的弧齿锥齿轮箱故障诊断

来源：电子测量技术杂志2024年第21期北京时间：

作者：王翰伟，许昕，潘宏侠，荀小伟

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：针对目前流行的残差网络在复杂噪声环境下对弧齿锥齿轮箱故障识别准确率较低的问题，以及传统鲸鱼优化算法（WOA）收敛速度较慢且全局搜索能力较差的问题，本文提出了一种基于格拉姆角差场（GADF）和混合鲸鱼粒子群优化算法的CBAM注意力机制残差网络的智能故障诊断方法。首先，对采集到的一维振动信号进行重叠采样以获得足够的信号样本，然后通过格拉姆角差场编码技术将一维数据转换为二维图像数据，构建不同故障下的二维图像数据集，并通过人为添加噪声的方式以扩大样本数量并验证噪声对诊断方法的影响；然后，在传统ResNet网络中加入CBAM注意力机制模块以增强有用特征、抑制无关特征，从而提升模型的表示能力，将图像数据集输入到混合鲸鱼粒子群优化算法优化的CBAM-ResNet模型中进行训练；最后，使用训练好的CBAM-ResNet模型对弧齿锥齿轮箱故障数据集进行分类，输出诊断结果。实验结果表明，该方法在不进行人为降噪的情况下确识别弧齿锥齿轮箱故障准确率达到100%，且在复杂噪声背景下依然可以达到95.38%，相较其他方法具有更高的准确率、更快的网络收敛速度和更好的鲁棒性。

关键词：弧齿锥齿轮;格拉姆角场;鲸鱼优化算法;注意力机制;残差网络

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