来源：期刊VIP网 时间：
作者：万志国;赵伟;王治国;窦益华;
单位：西安石油大学机械工程学院;
摘要：【目的】针对在噪声干扰情况下齿轮箱故障诊断准确率不佳的问题，基于优化变分模态分解（Variational Mode Decomposition, VMD）和非局部均值滤波（Non-Local Means, NLM）的去噪方法，与一维深度残差收缩网络（1Dimensional Deep Residual Shrinkage Network, 1DDRSN）相结合，构建了一种全新的齿轮箱故障诊断方法。【方法】首先，使用减法平均优化（Subtraction-Average-Based Opti-mizer, SABO）算法对VMD中的参数进行自动寻优；其次，使用样本熵筛选VMD后的各模态分量（Intrinsic Mode Function, IMF），对含有噪声的分量进行NLM去噪重构；再次，引入将注意力机制和软阈值化相结合的残差网络，建立1DDRSN模型；最后，将去噪重构的信号输入至1DDRSN进行故障诊断识别，并通过DDS试验台进行了验证。【结果】结果表明，去噪后的信号与原始信号相比，使故障准确率提升了3.16%，说明优化VMD-NLM具有较好的降噪效果；1DDRSN诊断准确率达到了99.33%，与卷积神经网络（Convolutional Neural Network, CNN）、ResNet相比，准确率分别提升了5.97%、1.17%，验证了该方法的可行性和诊断效果的准确性。
关键词：变分模态分解;;减法平均优化算法;;非局部均值去噪;;1DDRSN;;故障诊断
基金资助：陕西省自然科学基础研究计划青年项目(2022JQ-412);; 西安石油大学研究生创新与实践项目(YCS23214273)
