济南大学学报(自然科学版)

基金：国家自然科学基金项目(52171185,52371194)

针对工业场景下齿轮箱故障频发、深度学习诊断过程中数据需求量大和可解释性低的问题，提出一种基于决策融合方法和迁移学习的齿轮箱故障诊断模型。基于知识驱动提取CWRU电机轴承故障数据集的振动信号特征，通过递归特征消除算法筛选出最优特征子集，包括复杂包络谱、时域统计特征和小波包分析特征；使用6种分类器并结合投票法、堆叠法和融合法的决策融合方法，建立故障诊断模型；通过基于网络模型的迁移学习，将在CWRU电机轴承故障数据集训练好的模型应用于东南大学齿轮箱轴承数据集，实现对齿轮箱的故障诊断。结果表明，基于堆叠算法构建的6种分类器集成模型在CWRU电机轴承故障数据集和齿轮箱齿轮及轴承故障诊断任务上均表现出优异的性能，且2个任务的诊断准确率差异较小。该模型在齿轮箱齿轮及轴承故障诊断任务的准确率达到100%,与其他故障诊断模型相比，具有较好的故障诊断能力。

来源：2025年第03期

《济南大学学报(自然科学版)》期刊编辑部

查看济南大学学报(自然科学版)杂志2025年第03期