机床与液压

作者：尚腾龙，郝如江，冯鹏帆，王天池，姚勃羽

单位：石家庄铁道大学机械工程学院；石家庄铁道大学机械工程学院；石家庄铁道大学机械工程学院；石家庄铁道大学机械工程学院；石家庄铁道大学机械工程学院

关键词：齿轮箱;故障诊断;密集卷积网络（DenseNet）;经验模态分解-皮尔逊相关系数

基金：国家自然科学基金项目(12272243)

针对齿轮箱在复杂工况下故障特征提取困难、诊断准确率低的问题，提出一种集成经验模态分解-皮尔逊相关系数（EEMD-PCC）与密集卷积网络（DenseNet）相结合的智能诊断模型。采用EEMD-PCC对原始振动信号进行预处理，通过计算本征模态分量与原始信号的皮尔逊相关系数，筛选有效分量进行信号重构，保留关键故障特征。将CBAM注意力机制加入DenseNet网络模型，以增强特征表达能力，采用自适配归一化代替批归一化以提高网络泛化能力。最后，使用动力传动故障诊断综合实验台对该模型性能进行验证。结果表明：在8类齿轮箱状态诊断中，该模型准确率达98?5%，混淆矩阵显示仅少数样本误分类；在添加-6~-2 dB高斯白噪声的条件下，准确率仍保持在94%以上，显著优于对比模型；特征可视化证实模型能有效分离不同故障状态。EEMD-PCC与改进DenseNet相结合的故障诊断方法能够有效提取齿轮箱故障特征，在不同工况和噪声干扰下均保持高诊断精度，为齿轮箱智能故障诊断提供了可靠解决方案。

来源：2026年第1期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第1期