蜉蝣优化双通道网络在齿轮箱故障诊断中的应用

摘要

为了有效提取齿轮箱中齿轮和滚动轴承的故障信号特征，并克服深度学习模型超参数选取依赖人工经验的局限性，提高故障诊断的准确性和稳定性，提出了一种基于蜉蝣算法(MA)优化的双通道神经网络故障诊断模型。该模型采用一维时序输入的门控循环单元(GRU)和二维图像输入的卷积神经网络(CNN)构建双通道并行架构，并引入自适应批标准化(AdaBN)算法。利用MA的全局优化能力，以CNN-GRU的诊断精度为优化目标，自适应调整模型超参数。将蜉蝣算法优化效果与粒子群算法和遗传算法进行了对比验证，以评估其在模型参数优化方面的有效性。基于东南大学齿轮箱数据集和凯斯西储大学轴承数据集的实验结果表明：该模型能够有效提取振动信号特征，其故障识别精度与稳定性均优于典型深度学习模型，并展现出较强的鲁棒性。在稳态工况下，优化后的CNN-GRU(MA-CNN-GRU)模型在各数据集上的识别精度显著提高；在噪声工况下，MA优化的CNN-GRU模型表现出优异的抗噪性；在变负载工况下，结合AdaBN算法的MA-CNN-GRU模型实现了最高的平均识别精度。所提模型能够高效、准确地检测齿轮箱故障，为机械设备的维护和稳定运行提供了重要的参考价值。

关键词

故障诊断 / 齿轮箱 / 门控循环单元 / 卷积神经网络 / 蜉蝣算法

基金资助

国家自然科学基金资助项目(52174143)