蜉蝣優化雙通道網絡在齒輪箱故障診斷中的應用

摘要：為了有效提取齒輪箱中齒輪和滾動軸承的故障信號特征，并克服深度學習模型超參數選取依賴人工經驗的局限性，提高故障診斷的準確性和穩定性，提出了一種基于蜉蝣算法（MA）優化的雙通道神經網絡故障診斷模型。該模型采用一維時序輸入的門控循環單元（GRU）和二維圖像輸入的卷積神經網絡（CNN）構建雙通道并行架構，并引入自適應批標準化（AdaBN）算法。利用MA的全局優化能力，以CNN-GRU的診斷精度為優化目標，自適應調整模型超參數。將蜉蝣算法優化效果與粒子群算法和遺傳算法進行了對比驗證，以評估其在模型參數優化方面的有效性?；跂|南大學齒輪箱數據集和凱斯西儲大學軸承數據集的實驗結果表明：該模型能夠有效提取振動信號特征，其故障識別精度與穩定性均優于典型深度學習模型，并展現出較強的魯棒性。在穩態工況下，優化后的CNN-GRU（MA-CNN-GRU）模型在各數據集上的識別精度顯著提高；在噪聲工況下，MA優化的CNN-GRU模型表現出優異的抗噪性；在變負載工況下，結合AdaBN算法的MA-CNN-GRU模型實現了最高的平均識別精度。所提模型能夠高效、準確地檢測齒輪箱故障，為機械設備的維護和穩定運行提供了重要的參考價值。

關鍵詞：故障診斷；齒輪箱；門控循環單元；卷積神經網絡；蜉蝣算法

中圖分類號：TH133.3 文獻標志碼：A

DOI：10.7652/xjtuxb202505021 文章編號：0253-987X（2025）05-0217-12

Application of Mayfly Algorithm Optimized Dual-Channel Network in Gearbox Fault Diagnosis

YU Ning， WEI Chenqian， TIAN Liyong， ZHAO Jianjun， YU Xiaohan

（College of Mechanical Engineering， Liaoning Technical University， Fuxin， Liaoning 123000， China）

Abstract：In order to effectively extract the fault signal characteristics of gears and rolling bearings in gearboxes， overcome the limitation of deep learning model hyperparameter selection relying on human experience， and improve the accuracy and stability of fault diagnosis， a two-channel neural network fault diagnosis model based on Mayfly algorithm（MA）optimization was proposed. The model uses a one-dimensional timing input gated recurrent unit （GRU） and a two-dimensional image input convolutional neural network （CNN） to construct a dual-channel parallel architecture， and introduces an adaptive batch normalization （AdaBN） algorithm. By using the global optimization ability of MA， the hyperparameters of the model are adaptively adjusted with the diagnostic accuracy of CNN-GRU as the optimization objective. At the same time， MA optimization effort is compared with particle swarm optimization and genetic algorithm to evaluate its effectiveness in model parameter optimization. The experimental results based on the gearbox data set of Southeast University and the bearing data set of Case Western Reserve University show that the model can effectively extract the characteristics of vibration signals， and its fault recognition accuracy and stability are better than typical deep learning models， and it shows strong robustness. Under steady-state conditions， the recognition accuracy of the optimized CNN-GRU model on each data set is significantly improved. Under noise conditions， the MA-optimized CNN-GRU （MA-CNN-GRU） model exhibits excellent noise immunity. Under variable load conditions， the MA-CNN-GRU model combined with the AdaBN algorithm achieves the highest average recognition accuracy. In summary， the proposed model can detect gearbox faults efficiently and accurately， and it can provide an important reference for the maintenance and stable operation of mechanical equipment.

Keywords：fault diagnosis; gearbox; gated recurrent unit; convolutional neural network; mayfly algorithm

齒輪箱作為機械設備的關鍵傳動部件，其運行的安全穩定性，對工業生產和人身安全至關重要^［1-3］。由于其復雜的工作環境以及長期時變、高負荷運轉，齒輪和軸承易出現故障，造成經濟損失甚至引發嚴重的人員傷亡事故，因此準確、有效地識別并排除齒輪箱的早期故障，減少事故發生概率具有重要意義^［4-6］。

隨著人工智能迅速發展，機器學習和深度學習算法廣泛應用于旋轉機械故障診斷中，并且效果顯著^［7-9］，卷積神經網絡是其中性能優越的典型代表^［10-13］。Chen等采用時域統計量對齒輪箱振動信號進行預處理，將256個統計特征轉換為尺寸為16的特征矩陣，并作為卷積神經網絡（CNN）的輸入進行故障診斷，與其他算法相比，該算法優勢明顯，性能突出^［14］。宮文峰等將全連接層替換為過渡卷積層與全局平均池化層，從而減少網絡的參數量，并將改進的CNN結合支持向量機（SVM）應用于電機支撐滾珠軸承的故障診斷中^［15］。Monteiro等以傅里葉變換處理齒輪箱振動信號數據作為CNN的輸入數據集進行故障診斷，對齒輪箱斷齒故障有著良好的檢測效果^［16］。王貢獻等提出了一種多分支卷積神經網絡，通過多尺度均值化實現振動信號重構，并利用多分支卷積神經網絡（MBCNN）的并行分支提取故障特征^［17］。葉壯等提出了多通道一維卷積神經網絡模型，相較于傳統的一維CNN，故障識別精度有一定的提升^［18］。Zhang等提出了一維寬卷積核模型，在噪聲環境下故障診斷效果突出^［19］。

CNN通常采用單通道多層卷積結構，這種結構復雜且超參數眾多^［20］。部分超參數對模型的影響較小，但有些關鍵超參數對分類效果具有決定性的作用，僅依靠經驗或傳統的啟發式算法來設定這些關鍵參數，容易導致模型陷入局部最優解，從而影響網絡輸出的確定性，單通道網絡結構在提取故障特征時存在局限性，無法全面準確地表征故障信號的特征，這對識別精度產生了明顯的影響^［21］。在實際工況下，工作載荷并非穩定不變，而是會隨著生產條件的變化而變化，導致數據集的分布出現差異，在此情形下，如何保持故障診斷模型的高性能和高效率，成為一個亟待解決的重要問題。

基于以上研究，提出了一種基于蜉蝣算法（MA）優化的雙通道并行故障診斷模型，用于提取齒輪箱振動信號并識別故障類型，提升故障診斷的準確性和穩定性。針對實際工作過程中，工作載荷隨生產條件變化導致數據集分布出現差異的情況，引入自適應批標準化（AdaBN）算法以代替傳統的批量標準化層（BN），使得故障信號在不同負載下也能得到有效識別，極大地提高模型的故障診斷精度，具備重要的實際應用價值^［22］。

1 齒輪箱故障診斷算法

1.1 卷積神經網絡

CNN是一種以仿生視覺機制構建的深度學習算法，主要用于圖像識別和數據處理領域^［23］。在分類任務中，卷積和池化運算交替進行，有效提取高維非線性特征，捕捉并處理局部信息相關性，通過全連接層的非線性變換，將這些特征整合并最終實現精確的分類。

卷積層的主要作用是特征提取，輸入圖像或特征圖通過卷積核處理對應區域，并將特征經過激活函數映射形成新的卷積特征圖，表達式如下

M^l_j=f^l（∑Pi=1M^l－1_i W^l_ij+b^l_i）（1）

式中：l為網絡深度；M^l_j為l層第j個神經元特征值；W^l－1_i為l－1層第i個神經元的權值矩陣；P為神經元數；W^l_ij為l層第i個神經元和第j個神經元之間的權值矩陣；b^l_i為第l層第i個神經元的偏置；f^l（·）為l層激活函數。

池化層一般位于卷積層之后，通過池化操作，在保留重要信息的同時，能夠極大地壓縮數據，降低計算復雜度并加快神經網絡計算速度。本文采用最大池化操作，表達式如下

M^l_j=poolmax（∑pj=1M^l－1_j）（2）

式中：poolmax（·）為最大池化函數。

全連接層作用是將輸入特征映射到輸出預測結果，表達式如下

M^l_j=f^l（W^l_ijM^l_i+b^l_i）（3）

1.2 門控循環單元神經網絡

對于時間序列處理，長短期記憶網絡（LSTM）能夠解決傳統循環神經網絡（RNN）存在的問題，但是LSTM存在復雜的門控機制和多個權值參數，導致計算量較大。相比于LSTM網絡，門控循環單元（GRU）結構更加簡單，采用更少的門控單元，能夠大幅減少訓練參數，提高求解速度^［24］。GRU有兩個門，一個是更新門，另一個是重置門，可以很好地解決長間隔和長延遲時間序列的建模問題，故采用GRU網絡作為時序數據特征提取通道。

更新門控制了上一個時間步的信息對當前狀態的貢獻程度，決定了在新的隱藏狀態中保留哪些過去的信息，更新門輸出為

z_t=σ（w_xzp_t+w_hzh_t－1+b_z）（4）

式中：σ（·）表示激活函數；w_xz表示更新門輸入層與隱藏層之間的權值矩陣；w_hz表示更新門上一隱藏層與當前隱藏層之間的權值矩陣；b_z表示更新門偏置項；p_t表示當前時刻輸入；h_t－1表示上一時刻隱藏層狀態。

重置門控制了是否忽略前一個時間步的信息，本質上，重置門被模型用來決定忘記多少過去的信息。重置門輸出為

r_t=σ（w_xrp_t+w_hrh_t－1+b_r）（5）

式中：w_xr表示重置門輸入層與隱藏層之間的權值矩陣；w_hr表示重置門上一個隱藏層與當前隱藏層之間的權值矩陣；b_r表示重置門偏置項。

1.3 蜉蝣算法

蜉蝣算法是Konstantinos等提出的仿生優化算法，用于解決復雜函數優化問題^［25］。該算法模擬了蜉蝣飛行及繁衍后代等社會行為，通過多個并行子空間搜索，搜索效率高，并且根據現有位置判斷移動方向，避免過早收斂并陷入局部最優，同時平衡局部搜索和全局搜索能力，其工作原理如下。

以兩組蜉蝣代表雄性和雌性種群，定義蜉蝣位置為x=（x₁，x₂，…，x_D），速度為v=（v₁，v₂，…，v_n）。

（1）雄性蜉蝣尋優。雄性蜉蝣通常在固定區域內并產生群聚行為，會成群結隊向更優方向進化，以自身情況及種群行為變化來調整位置。設x^t_i表示t時刻雄性蜉蝣i的空間位置，其位置更新定義為

x^t+1_i=x^t_i+v^t+1_i（6）

式中，速度更新定義為

v^t+1_ij=gv^t_ij+a₁e^－βr2_p（b_ij－x^t_ij）+a₂e^－βr2_g（q_j－x^t_ij），

f（x_i）gt;f（q）

gv^t_ij+dr， f（x_i）≤f（q）（7）

其中，x^t_ij、v^t_ij為j維t時刻蜉蝣i的位置和速度，g為重力系數，a₁、a₂分別為用于縮放認知和社會部分的貢獻正的吸引系數；β為固定可見度系數，d為婚舞距離系數，r為［－1，1］之間的隨機矩陣，b_ij為j維蜉蝣i的最優位置，q_j為j維蜉蝣種群的歷史最優位置，r_p、r_g分別為x_i與蜉蝣個體歷史最優位置b、x_i與蜉蝣種群的全局最優位置q之間的笛卡爾距離，表達式為

‖x_i－q_i‖=∑nj=1（x_ij－q_ij）²（8）

式中：q_i為蜉游i的最優位置；q_ij為蜉游i在j維上的最優位置。

（2）雌性蜉蝣尋優。雌性蜉蝣逐漸靠近適應度值更高的雄性蜉蝣，設y^t_i表示t時刻雌性蜉蝣i的空間位置，其位置更新定義為

y^t+1_i=y^t_i+v^t+1_i（9）

v^t+1_ij=gv^t_ij+a₂e^－βr2_mf（x^t_ij－y^t_ij），f（y_i）gt;f（x_i）

gv^t_ij+F_Lr，f（y_i）≤f（x_i）（10）

式中：y^t_ij為j維t時刻蜉蝣i的位置；r_mf為蜉蝣對的笛卡爾距離；F_L為飛行系數。

（3）蜉蝣交配。蜉蝣以最佳匹配機制交配產生后代，即最優雄性與最優雌性吸引，次優雄性與次優雌性吸引，依次類推，交配產生兩個子代為

S₁=LF_m+（1－L）F_f

S₂=LF_f+（1－L）F_m（11）

式中：F_m表示父本；F_f表示母本；L為［0，1］內的隨機數。

2 MA優化的CNN-GRU（MA-CNN-GRU）模型2.1 信號預處理

采用變分模態分解（VMD）和連續小波變換（CWT）^［26］進行信號預處理工作，其中將VMD降噪重構后的時序信號作為時序輸入，將CWT后的時頻圖作為圖像輸入，VMD能夠有效應對模態混疊現象，減少噪聲對信號的影響，保證信號在噪聲干擾下依舊能提取到故障信號特征，CWT糅合了時域和頻域分析的優勢，可把信號分解為不同尺度（頻率）的小波進行多頻帶劃分，能夠捕捉到信號中的局部變化，分析信號的瞬時特性和多尺度特性，能夠兼顧時間特性和頻率特性，對復雜多變信號分析效果較好。

2.2 CNN-GRU結構優化

2.2.1 模型設計

首先通過探究不同結構模型對故障診斷精度的影響，來選擇最合適的神經網絡模型進行下一步研究，本實驗通過凱斯西儲大學軸承數據集進行驗證，圖像通道每層卷積池化步長均相同，除了卷積層數外，其他訓練參數保持一致，時序通道僅改變循環層數，末層神經元數為128，其他層神經元數為64，每層丟棄率均保持一致，并按照常規經驗設定，其中設定模型學習率為0.000 1，最大迭代次數為35，每組進行5次實驗，取其中訓練最優結果作為最終結果。表1設計了不同網絡層數模型結構，以C×3+G×2為例，表示模型由兩個通道組成，其中2D（圖像通道）有3個卷積層，1D（時序通道）有兩個GRU層，K_S表示2D通道卷積核尺寸。K_c表示2D通道卷積核數，K_g表示1D通道神經元數，K_d表示神經元丟棄率。

不同模型結構識別精度對比實驗結果如圖1所示，當2D通道為1層、1D通道為1層時，模型識別精度最低，訓練過程存在較大波動，隨著網絡深度增加，識別精度也在不斷增加。2D通道為3層、1D通道為3層的模型結構時，識別精度達到最大。與2D通道為3層、1D通道為4層模型結構時，識別效果相當，由于模型深度增加，計算量增大，因此采用一個3層CNN通道和一個3層GRU通道組成雙通道模型，并在此基礎上優化。

采用AdaBN算法對BN層進一步優化，當訓練樣本和測試樣本分布不一致時，采用BN算法會使網絡模型性能下降，AdaBN算法則會將測試樣本的均值和方差替換為訓練階段中通過訓練樣本得到的均值和方差，即模型在測試集中只進行正向傳播，而不進行反向傳播。

2.2.2 實驗參數設定

由于模型中超參數眾多，綜合考慮優化模型時間成本以及優化效果，對網絡結構影響較小的超參數按照經驗設定。設定2D通道首層卷積核數為32，第2、3層為64，設定卷積步長為2×2，池化窗口大小為2×2，池化步長為2×2，第3層卷積無池化操作，設定1D通道第3層神經元數為128，1D通道和2D通道提取的信號特征經特征融合后連接，通過softmax分類器進行分類。設定優化算法種群數為20，迭代次數為10，其中由于蜉蝣算法收斂速度快，故種群數與迭代次數相對較少，為了平衡局部搜索能力和全局搜索能力，設定子代變異率為0.4，激活函數類型為Sigmoid、Tanh、Relu、LeakyRelu，優化器類型為SGD、RMSprop、Adam。需要進行尋優的超參數及尋優范圍見表2。

2.3 MA-CNN-GRU模型的流程

本文提出的MA-CNN-GRU模型包括兩部分：通過MA優化CNN-GRU參數來搜尋CNN-GRU最優參數組合；提取訓練好超參數配置模型進行測試。構建MA-CNN-GRU模型的具體步驟如下。

步驟1 將CNN-GRU的識別精度作為蜉蝣算法適應度，根據表2尋優參數集，定義蜉蝣個體向量坐標，初始化設置蜉蝣種群大小、位置和速度等參數，并設定參數取值范圍。

步驟2 計算初始化后適應度，并根據適應度由高到低依次排序，將最高適應度蜉蝣作為此代最優個體和全局最優個體。

步驟3 按照位置和速度更新公式更新蜉蝣位置坐標及速度，按照最佳匹配機制進行配對，并生成子代蜉蝣。

步驟4 再次計算更新后蜉蝣以及子代蜉蝣的適應度，若子代蜉蝣適應度高于親代適應度較低蜉蝣，則用子代取代親代，若子代蜉蝣優于全局最佳蜉蝣，則將子代取代全局最佳蜉蝣，所有蜉蝣對更新完畢后，以更新后群體作為新一代親本，重新劃定種群，同時，通過加入隨機突變機制抑制算法過早收斂，使算法向著其他空間繼續探索，提高全局搜索能力，一定程度上防止陷入局部最優。

步驟5 判斷是否達到迭代上限，若滿足條件，以全局最優蜉蝣參數重構CNN-GRU模型，若不滿足條件，循環執行步驟3～5。

3 實驗驗證

3.1 數據集描述

為驗證本文方法的有效性，采用東南大學（SEU）齒輪箱數據集、凱斯西儲大學（CWRU）滾動軸承數據集以及實驗室自測振動平臺數據集，以1 024 個數據點為一個樣本，采用VMD和CWT分別生成時序樣本和圖像樣本，驗證本文方法的有效性。SEU齒輪箱實驗臺包含正常、齒輪故障、軸承故障及其復合故障共計10類齒輪箱健康狀態信號。凱斯西儲大學選取零負載下故障直徑為0.007 mm時的9種故障數據，構成實驗數據集。實驗室自測振動平臺數據集如圖2所示，軸承故障預設在輸出軸側，齒輪故障預設在從動齒輪上。在行星齒輪箱上預制了11種齒輪箱健康狀態，其中軸承故障包括滾動體故障、內圈故障、外圈故障，齒輪故障包括齒面磨損、齒輪斷齒，復合故障包括齒輪斷齒加軸承滾動體故障、齒輪斷齒加軸承內圈故障、齒輪斷齒加軸承外圈故障、齒面磨損加軸承滾動體故障、齒面磨損加軸承內圈故障、齒面磨損加軸承外圈故障。

3.2 實驗結果與分析

3.2.1 超參數優化結果對比

為展示蜉蝣算法優化效果，以粒子群算法、遺傳

算法作為對比算法，圖3為3種算法迭代過程識別精度變化情況。根據圖3中曲線分析，3種優化算法均能通過對超參數優化提高識別精度。粒子群算法以最快速度收斂，但識別精度較低，遺傳算法收斂速度較慢，相比于這兩種優化算法，蜉蝣算法優化效果更好。

3種優化算法得到的超參數組合識別精度結果如表3～5所示，3種參數組合識別精度均超過98%，并且各超參數最佳組合并非一成不變，不同參數組合之間能夠起到較好效果，優化算法對超參數優化結果影響較大，相比于遺傳算法和粒子群算法，經過蜉蝣算法優化后模型識別精度最高，優化曲線更加平穩。因此，采用蜉蝣算法作為模型優化算法。

3.2.2 不同實驗平臺下實驗結果與對比分析

將經過MA優化初始化參數后的CNN-GRU模型與CNN、GRU、深度適配網絡（DAN）^［27］和CNN-GRU模型進行對比，在CWRU數據集、SEU數據集和自測數據集上的對比結果如圖4所示。從圖4中可以得出：采用傳統GRU和CNN模型識別效果不如CNN-GRU模型，未經過優化的CNN-GRU模型在CWRU數據集上識別精度為97.9%，比GRU模型高5.4%，比CNN模型高3.3%，比DAN模型高2.8%；在SEU數據集上識別精度為96.8%，比GRU模型高6%，比CNN模型高3.1%，比DAN模型高2.6%；在自測數據集上識別精度為97.5%，比GRU模型高6.3%，比CNN模型高3.6%，比DAN模型高3.2%。經優化的CNN-GRU模型，在CWRU數據集上識別精度高達99.8%，在SEU數據集上識別精度為99.5%，在自測數據集上識別精度為99.6%，相比未經優化的CNN-GRU模型有明顯提升。

為了直觀、清晰地分析模型性能，通過混淆矩陣顯示某次測試中故障診斷結果，具體如圖5所示。GRU模型共識別正確274個樣本，識別錯誤26個樣本，識別精度為91.33%；CNN模型共識別正確285個樣本，識別錯誤15個樣本，識別精度為95%；DAN模型共識別正確288個樣本，識別錯誤12個樣本，識別精度為96%；CNN-GRU模型共識別正確293個樣本，識別錯誤7個樣本，識別精度為97.67%；MA-CNN-GRU模型共識別正確299個樣本，識別錯誤1個樣本，識別精度為99.67%，由此可見，雙通道模型能一定程度上提升故障識別精度，同時也證明雙通道特征提取具有互補性，相比于單通道，能提取到更多故障特征，故障信息更加完整。

圖6進一步展示所提模型及對比模型的測試精度，MA-CNN-GRU模型首次迭代準確率為22.33%，比CNN-GRU模型高1.67%，比DAN模型高10.04%，比GRU模型高11%，比CNN模型高17.33%。初始訓練階段，MA-CNN-GRU模型測試精度曲線斜率較大，證明其正在迅速收斂，4種對比算法測試精度曲線斜率均小于MA-CNN-GRU模型。MA-CNN-GRU模型在第54次迭代時準確率為100%，并在迭代74次后達到穩定，收斂于100%；CNN-GRU模型在第156次迭代時準確率為97.67%，并在迭代246次后達到穩定，收斂于97.67%；GRU模型測試精度曲線經過67次迭代后達到最大識別精度，221次迭代后才趨于穩定；CNN模型測試精度曲線經過61次迭代后達到最大識別精度，但后續精度仍有一定波動，較不穩定；DAN模型測試精度曲線經過82次迭代后達到最大識別精度，180次迭代后才趨于穩定。相比于其他算法，MA-CNN-GRU模型測試精度曲線均能迅速收斂，訓練精度曲線更為平滑，所提方法識別精度明顯優于對比方法。

3.2.3 噪聲工況下實驗結果與對比分析

為了驗證模型魯棒性，使實驗更逼近真實環境下采集的信號特征，以SEU數據集作為實驗數據，在信號中添加高斯白噪聲，并與GRU、CNN、DAN、CNN-GRU模型進行對比，結果如圖7所示。由圖7可知，MA-CNN-GRU模型具有較強的魯棒性，能夠在高頻噪聲影響下保持良好的分類能力，相較于GRU、CNN、DAN、CNN-GRU模型有明顯優勢。

3.2.4 變負載工況下實驗結果與對比分析

以凱斯西儲大學數據集作為實驗數據，將經過MA優化初始化參數后的CNN-GRU模型與CNN、DAN模型進行對比。故障診斷結果如表6所示，表6中，任務A→B表示以A數據集為信號源域，B數據集為信號目標域，采用遷移學習策略訓練故障識別模型。其中，CNN模型未采用遷移學習策略，其平均識別精度為83.85%，DAN模型平均識別精度為86.51%，使用BN層進行歸一化的CNN-GRU模型的平均識別精度為88.57%，使用BN層進行歸一化的MA-CNN-GRU模型相對表現較好，平均識別精度為90.51%。在12組變負載工況下的診斷任務中，使用AdaBN層進行歸一化的MA-CNN-GRU模型故障診斷精度最高，平均識別精度為92.90%，比CNN、DAN、使用BN層進行歸一化的CNN-GRU和使用BN層進行歸一化的MA-CNN-GRU模型分別高9.05%，6.56%，4.33% 和2.39%，結果表明：AdaBN的引入提高了變負載情況下MA-CNN-GRU模型的診斷性能。

為顯示訓練后源域和目標域信號分布，本文采用t分布鄰域嵌入（t-SNE）將全連接層可視化。圖8以CNN和MA-CNN-GRU（AdaBN）模型為例，顯示任務B→C可視化特征圖，圖8中橫縱坐標表示經過（t-SNE）降維后前兩列特征。其中，S₀～S₉為源域對10種軸承健康狀態訓練得到的網絡的特征分布，T₀～T₉為目標域對10種軸承健康狀態訓練得到的網絡的特征分布。

從圖8可以看出，CNN模型中大部分樣本源域和目標域特征距離接近，例如正常狀態S₀、T₀，但分布差異較大，例如內圈故障損傷尺寸為0.36 mm（S₅、T₅），并且部分特征之間存在重疊現象，例如滾動體故障損傷尺寸為0.36 mm（S₂、T₂），這是由于CNN沒有使用遷移策略。

與之相比，MA-CNN-GRU（AdaBN）中源域和目標域特征重合度較高，無混疊現象出現，不同負載下對其識別效果良好，不同類別之前區分度較高，這進一步驗證了MA-CNN-GRU模型在處理變負載狀態下故障診斷的優越性。綜上，所提優化后的MA-CNN-GRU（AdaBN）算法模型對于變負載后的目標域特征具備很好的自適應能力，即使面對特征鄰域分布存在差異的情況，依舊能夠很好地應對軸承故障診斷任務。

4 結 論

針對齒輪箱故障難以準確提取出微小特征故障，深度學習模型超參數選用對于人工經驗的高度依賴性問題，提出一種基于MA算法優化的雙通道故障診斷模型CNN-GRU，在SEU齒輪箱數據集以及CWRU滾動軸承數據集進行了對比實驗，得到以下結論。

（1）建立雙通道故障診斷模型CNN-GRU，在對原始數據進行預處理后，與GRU、CNN和DAN進行對比，實驗結果表明，采用時序和圖像雙通道輸入的CNN-GRU模型相比于傳統模型具有更高識別精度，證明了雙通道特征提取具有一定的互補性。

（2）采用MA算法優化CNN-GRU超參數，以遺傳算法和粒子群算法作為對比算法，實驗結果表明，蜉蝣算法優化效果明顯優于對比算法，優化后的CNN-GRU模型分類特性明顯高于未優化的版本，本文所提方法能夠對齒輪箱故障進行準確檢測，對維修和保持機械設備穩定運行具有一定的實用價值。

（3）針對實際工作過程中工作載荷隨生產條件變化導致數據集分布差異的情況，引入AdaBN算法代替傳統的BN層，實現了故障信號在不同負載下的有效識別，極大地提高模型的故障診斷精度。

（4）基于MA優化的CNN-GRU診斷模型適用于齒輪箱的故障診斷，具有較高的分類精度，由于其雙通道設計，計算參數量較多，模型訓練時間較長，對于故障診斷時間要求不高的場合有重要的應用參考價值。

參考文獻：

［1］陳向民， 舒文伊， 韓夢茹， 等. 基于URP-ANCNN的變轉速齒輪箱智能故障診斷方法 ［J］. 噪聲與振動控制， 2024， 44（2）： 129-135.

CHEN Xiangmin， SHU Wenyi， HAN Mengru， et al. Intelligence fault diagnosis method for gearboxes under variable rotational speed based on URP-ANCNN ［J］. Noise and Vibration Control， 2024， 44（2）： 129-135.

［2］謝鋒云， 汪淦， 王玲嵐， 等. STFT結合2D CNN-SVM的齒輪箱故障診斷方法 ［J］. 噪聲與振動控制， 2024， 44（4）： 103-109.

XIE Fengyun， WANG Gan， WANG Linglan， et al. Fault diagnosis method of gearbox based on STFT and 2DCNN-SVM ［J］. Noise and Vibration Control， 2024， 44（4）： 103-109.

［3］吳勝利， 周燚， 邢文婷. 基于SDP和MCNN-LSTM的齒輪箱故障診斷方法 ［J］. 振動與沖擊， 2024， 43（15）： 126-132.

WU Shengli， ZHOU Yi， XING Wenting. Gearbox fault diagnosis based on SDP and MCNN-LSTM ［J］. Journal of Vibration and Shock， 2024， 43（15）： 126-132.

［4］陳子旭， 朱振杰， 盧國梁. 一種新的圖譜域滾動軸承早期故障檢測與識別方法 ［J］. 振動與沖擊， 2022， 41（6）： 51-59.

CHEN Zixu， ZHU Zhenjie， LU Guoliang. Novel early fault detection and diagnosis for rolling element bearings in graph spectrum domain ［J］. Journal of Vibration and Shock， 2022， 41（6）： 51-59.

［5］王巖紅， 溫笑歡， 揭永琴， 等. 基于對比學習的滾動軸承早期故障在線檢測方法 ［J］. 振動與沖擊， 2023， 42（14）： 229-236.

WANG Yanhong， WEN Xiaohuan， JIE Yongqin， et al. Online detection method for bearing incipient faults based on contrastive learning ［J］. Journal of Vibration and Shock， 2023， 42（14）： 229-236.

［6］李迎秋， 周威， 郝德成. 基于孿生網絡的旋轉機械故障診斷方法 ［J］. 組合機床與自動化加工技術， 2023（11）： 116-120.

LI Yingqiu， ZHOU Wei， HAO Decheng. A fault diagnosis method for rotating machinery based on twin networks ［J］. Modular Machine Tool amp; Automatic Manufacturing Technique， 2023（11）： 116-120.

［7］ZHANG Jing， TIAN Jing， WEN Tao， et al. Deep fault diagnosis for rotating machinery with scarce labeled samples ［J］. Chinese Journal of Electronics， 2020， 29（4）： 693-704.

［8］王椿晶， 王海瑞. 深度在線小波極限學習在旋轉機械故障診斷中的應用 ［J］. 機械科學與技術， 2023， 42（7）： 1029-1034.

WANG Chunjing， WANG Hairui. Application of depth online wavelet extreme learning machine in rotating machinery fault diagnosis ［J］. Mechanical Science and Technology for Aerospace Engineering， 2023， 42（7）： 1029-1034.

［9］吳春志， 馮輔周， 吳守軍， 等. 深度學習在旋轉機械設備故障診斷中的應用研究綜述 ［J］. 噪聲與振動控制， 2019， 39（5）： 1-7.

WU Chunzhi， FENG Fuzhou， WU Shoujun， et al. Review of application research of deep learning in fault diagnosis of rotating machinery ［J］. Noise and Vibration Control， 2019， 39（5）： 1-7.

［10］李益兵， 馬建波， 江麗. 基于SFLA改進卷積神經網絡的滾動軸承故障診斷 ［J］. 振動與沖擊， 2020， 39（24）： 187-193.

LI Yibing， MA Jianbo， JIANG Li. Fault diagnosis of rolling bearing based on an improved convolutional neural network using SFLA ［J］. Journal of Vibration and Shock， 2020， 39（24）： 187-193.

［11］陳功勝， 唐向紅， 陸見光， 等. 基于CNN-ETR的滾動軸承故障診斷研究 ［J］. 兵器裝備工程學報， 2021， 42（6）： 251-255.

CHEN Gongsheng， TANG Xianghong， LU Jianguang， et al. Research on fault diagnosis of rolling bearing based on CNN-ETR ［J］. Journal of Ordnance Equipment Engineering， 2021， 42（6）： 251-255.

［12］趙小強， 張亞洲. 利用改進卷積神經網絡的滾動軸承變工況故障診斷方法 ［J］. 西安交通大學學報， 2021， 55（12）： 108-118.

ZHAO Xiaoqiang， ZHANG Yazhou. Improved CNN-based fault diagnosis method for rolling bearings under variable working conditions ［J］. Journal of Xi'an Jiaotong University， 2021， 55（12）： 108-118.

［13］肖雄， 王健翔， 張勇軍， 等. 一種用于軸承故障診斷的二維卷積神經網絡優化方法 ［J］. 中國電機工程學報， 2019， 39（15）： 4558-4568.

XIAO Xiong， WANG Jianxiang， ZHANG Yongjun， et al. A two-dimensional convolutional neural network optimization method for bearing fault diagnosis ［J］. Proceedings of the CSEE， 2019， 39（15）： 4558-4568.

［14］CHEN Zhiqiang， LI Chuan， SANCHEZ R V. Gearbox fault identification and classification with convolutional neural networks ［J］. Shock and Vibration， 2015， 2015（1）： 390134.

［15］宮文峰， 陳輝， 張美玲， 等. 基于深度學習的電機軸承微小故障智能診斷方法 ［J］. 儀器儀表學報， 2020， 41（1）： 195-205.

GONG Wenfeng， CHEN Hui， ZHANG Meiling， et al. Intelligent diagnosis method for incipient fault of motor bearing based on deep learning ［J］. Chinese Journal of Scientific Instrument， 2020， 41（1）： 195-205.

［16］MONTEIRO R， BASTOS-FILHO C， CERRADA M， et al. Convolutional neural networks using Fourier transform spectrogram to classify the severity of gear tooth breakage ［C］//2018 International Conference on Sensing， Diagnostics， Prognostics， and Control （SDPC）. Piscataway， NJ， USA： IEEE， 2018： 490-496.

［17］王貢獻， 付澤， 胡志輝， 等. 基于多分支卷積神經網絡的軸承變工況故障診斷 ［J］. 噪聲與振動控制， 2023， 43（6）： 135-141.

WANG Gongxian， FU Ze， HU Zhihui， et al. A multi-branch convolution neural network for fault diagnosis of rolling bearings under variable working conditions ［J］. Noise and Vibration Control， 2023， 43（6）： 135-141.

［18］葉壯， 余建波. 基于多通道一維卷積神經網絡特征學習的齒輪箱故障診斷方法 ［J］. 振動與沖擊， 2020， 39（20）： 55-66.

YE Zhuang， YU Jianbo. Gearbox fault diagnosis based on feature learning of multi-channel one-dimensional convolutional neural network ［J］. Journal of Vibration and Shock， 2020， 39（20）： 55-66.

［19］ZHANG Wei， LI Chuanhao， PENG Gaoliang， et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load ［J］. Mechanical Systems and Signal Processing， 2018， 100： 439-453.

［20］丁丁， 劉文哲， 盛常沖， 等. 神經網絡架構搜索研究進展與展望 ［J］. 國防科技大學學報， 2023， 45（6）： 100-131.

DING Ding， LIU Wenzhe， SHENG Changchong， et al. State of the art and prospects of neural architecture search ［J］. Journal of National University of Defense Technology， 2023， 45（6）： 100-131.

［21］汪祖民， 張志豪， 秦靜， 等. 基于卷積神經網絡的機械故障診斷技術綜述 ［J］. 計算機應用， 2022， 42（4）： 1036-1043.

WANG Zumin， ZHANG Zhihao， QIN Jing， et al. Review of mechanical fault diagnosis technology based on convolutional neural network ［J］. Journal of Computer Applications， 2022， 42（4）： 1036-1043.

［22］吳宣勇， 黃忠全， 李琪康， 等. 無源數據約束下多源域自適應的風電齒輪箱故障診斷方法 ［J］. 太陽能學報， 2024， 45（4）： 238-246.

WU Xuanyong， HUANG Zhongquan， LI Qikang， et al. Multi-source domain adaptive fault diagnosis method of wind turbine gearbox under no-accessing source data constraints ［J］. Acta Energiae Solaris Sinica， 2024， 45（4）： 238-246.

［23］陳建蓉. 新型多源特征融合模型及應用研究 ［D］. 南京： 南京大學， 2020.

［24］CHUNG J， GULCEHRE C， CHO K H， et al. Empirical evaluation of gated recurrent neural networks on sequence modeling ［J］. Eprint ArXiv， 2014. DOI：10.48550/arXiv.1412.3555.

［25］陳濤， 李欣. 太赫茲光譜在轉基因菜籽油鑒別中的應

用： 基于改進蜉蝣算法的支持向量機模型 ［J］. 物理學報， 2024， 73（5）： 360-368.

CHEN Tao， LI Xin. Application of terahertz spectroscopy in identification of transgenic rapeseed oils： a support vector machine model based on modified mayfly optimization algorithm ［J］. Acta Physica Sinica， 2024， 73（5）： 360-368.

［26］GAO Zhongke， WANG Zibo， MA Chao， et al. A wavelet time-frequency representation based complex network method for characterizing brain activities underlying motor imagery signals ［J］. IEEE Access， 2018， 6： 65796-65802.

［27］王眺. 基于深度交互適配網絡的通用多模態學習方法研究 ［D］. 杭州電子科技大學， 2024.

（編輯 武紅江））