基于双通道特征融合的CNN-GSWOA-XGBoost齿轮箱故障诊断方法

作     者：孙强 姚猛 李琛 王明明 李彦周 

作者机构：山西大同大学机电工程学院 河北机电职业技术学院 

出 版 物：《铁道车辆》 (Rolling Stock)

年 卷 期：2025年

学科分类：082304[工学-载运工具运用工程] 08[工学] 080204[工学-车辆工程] 0802[工学-机械工程] 0823[工学-交通运输工程] 

基　　金：2022年度山西省高等学校科技创新计划创新平台项目(2022P009) 

主　　题：齿轮箱 卷积神经网络 优化鲸鱼算法 极端梯度提升树 故障诊断 

摘      要：针对齿轮箱故障特征难以提取和故障识别准确率低等问题，文章提出了一种基于双通道特征融合的CNN-GSWOA-XGBoost的齿轮箱故障诊断方法。首先，将原始振动信号采用GAF图像编码技术分别转化为GADF和GASF时频图，再将GADF和GASF时频图分别输入二维卷积神经网络（CNN）进行自适应故障特征提取并进行特征融合，并取其结果作为XGBoost分类器的输入；其次针对鲸鱼优化算法在收敛速度和全局搜索能力上存在的问题，通过改进的鲸鱼算法对XGBoost分类器的5个超参数（树木个数、树的深度、子节点的最小权重和、学习率、样本比例）进行优化，建立齿轮箱故障诊断模型；最后通过东南大学齿轮箱数据进行实验分析，结果表明：该模型可以充分提取齿轮箱原始振动信号的故障特征，与其它故障诊断模型相比故障识别准确率更高，性能更优越。