基于GADF-CNN-PSA-XGBOOST的齿轮箱故障诊断

来源：机床与液压杂志2025年第23期北京时间：

作者：袁泉，李刚，齐金平

单位：兰州交通大学机电工程学院；兰州交通大学机电工程学院；兰州交通大学机电工程学院

摘要：针对齿轮箱故障诊断准确率不足的问题，提出一种GADF-CNN-PSA-XGBOOST的齿轮箱故障诊断方法。利用格拉姆角场差（GADF）时频分辨率高、可以深度反映时间序列内在结构和关系的特点，将采集到的一维故障数据信号转为具有高时频分辨率的二维图像，并对图像进行降维处理。采用卷积神经网络（CNN）对GADF生成的二维图像进行自适应故障特征提取，将其全连接层输出作为XGBOOST分类器的输入，并采用PID搜索算法对XGBOOST分类器的关键参数进行优化。为验证该方法的有效性，使用东南大学齿轮箱公开数据集进行实验。t-SNE可视化结果表明，经CNN特征提取后各类故障样本的区分度明显增强；该方法故障诊断的准确率达到98.5%，较传统格拉姆角场和转化方法提升显著；与WT-ICNN、LFGRU等现有主流诊断方法相比，该方法诊断准确率较高，具有优越的故障诊断性能。

关键词：齿轮箱;故障诊断;格拉姆角场差;卷积神经网络;PID搜索算法

基金资助：国家自然科学基金地区科学基金项目（72361019）；兰州市科技计划项目（2023-1-16）