基于FDBO+Informer-ECANet的齿轮箱故障诊断分析
李婷婷1
贾东2
1.郑州职业技术学院 智能制造学院,郑州 4500002.辽宁工程技术大学 机械工程学院,阜新 123000
摘要：[目的]基于智能优化算法与深度神经网络的齿轮箱故障诊断方法逐渐成为研究热点,但仍然存在较多问题.为了解决强噪声环境下齿轮故障特征提取难、诊断准确率低的问题,提出一种基于融合增强型蜣螂优化(Fusion-enhanced Dung Beetle Optimization,FDBO)算法、Informer模型和通道注意力机制(Efficient Channel Attention Network,ECANet)模块的齿轮箱故障诊断方法.[方法]首先,针对现有蜣螂优化(Dung Beetle Optimization,DBO)算法全局搜索能力不足、易陷入局部最优等问题,引入融合Fuch混沌映射兼逆反向学习策略、自适应步长策略与凸透镜成像反转策略集成、随机差异变异策略,提高算法的全局搜索能力;其次,基于Informer 模型出色的长时间序列处理能力,高效提取出序列数据中的全局特征与局部特征;尤其针对包含长时间依赖关系的故障信号,该模型可展现出极高的分类性能;再次,在Informer模型的编辑器中引入ECANet模块,对Informer提取的特征进行通道级的自适应校准,提高模型对重要特征的关注度,以增强特征表达能力、减少噪声干扰;最后,通过FDBO算法对Informer-ECANet模型多个超参数进行寻优,确定最优参数组合,以增强模型的诊断能力和泛化性能.[结果]试验结果表明,在无噪声条件下,所提模型准确率达100%;在加入-6 dB的高斯白噪声下准确率仍达到94.4%,验证了所提模型的优越性,为齿轮箱故障诊断提供了一种新型有效的智能方法.
关键词：融合增强型蜣螂优化算法Informer模型ECANet模块随机差异变异策略
分类号：TH132.41(机械零件及传动装置)TP183(自动化基础理论)
资助基金：河南省高等学校重点科研项目(24B520047)河南省高等学校重点科研项目(24A460028)
论文发表日期：2026-03-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：11( 161-171 )
英文信息