基于FDBO+Informer-ECANet的齿轮箱故障诊断分析

李婷婷; 贾东

doi:10.16578/j.issn.1004.2539.2026.03.018

您当前的位置：

首页 >

文章列表页 >

基于FDBO+Informer-ECANet的齿轮箱故障诊断分析

故障诊断与失效分析 | 更新时间：2026-05-27

- 基于FDBO+Informer-ECANet的齿轮箱故障诊断分析
- Analysis on fault diagnosis of gearbox based on FDBO+Informer-ECANet
- 机械传动 2026年50卷第3期页码：161-171
- 作者机构：
  
  1.郑州职业技术学院智能制造学院，郑州 450000
  2.辽宁工程技术大学机械工程学院，阜新 123000
- 作者简介：
  
  李婷婷，女，1987年生，河南开封人，硕士，讲师；主要研究方向为电子、机器人、自动化；kaifengliting@163.com。
  贾东（通信作者），男，1995年生，黑龙江齐齐哈尔人，硕士研究生；主要研究方向为故障诊断；1332755792@qq.com。
- 基金信息：
  
  河南省高等学校重点科研项目(24B520017;24A460028)
- DOI：10.16578/j.issn.1004.2539.2026.03.018
  中图分类号： TH132.41;TP183
- 收稿：2025-05-28，
  
  纸质出版：2026-03-15
- 稿件说明：
移动端阅览
李婷婷，贾东. 基于FDBO+Informer-ECANet的齿轮箱故障诊断分析［J］. 机械传动，2026，50（3）：161-171.

LI Tingting，JIA Dong. Analysis on fault diagnosis of gearbox based on FDBO+Informer-ECANet［J］. Journal of Mechanical Transmission，2026，50（3）：161-171.
李婷婷，贾东. 基于FDBO+Informer-ECANet的齿轮箱故障诊断分析［J］. 机械传动，2026，50（3）：161-171. DOI： 10.16578/j.issn.1004.2539.2026.03.018.

LI Tingting，JIA Dong. Analysis on fault diagnosis of gearbox based on FDBO+Informer-ECANet［J］. Journal of Mechanical Transmission，2026，50（3）：161-171. DOI： 10.16578/j.issn.1004.2539.2026.03.018.

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。

Abstract

Objective

The fault diagnosis method for gearboxes based on intelligent optimization algorithms and deep neural networks has gradually become a research hotspot

but there are still many problems. To address the challenges of fault feature extraction and low diagnostic accuracy for gearboxes under strong noise environments

a novel gearbox fault diagnosis method was proposed based on a fusion-enhanced dung beetle optimization (FDBO) algorithm

the Informer model

and the efficient channel attention network (ECANet) module.

Methods

Firstly

to overcome the limitations of the conventional dung beetle optimization (DBO) algorithm

such as insufficient global search capability and tendency to fall into local optima

a fusion strategy integrating Fuch chaotic mapping combined with inverse learning

an adaptive step size strategy

convex lens imaging

and a stochastic differential mutation strategy was introduced

significantly enhancing the algorithm’s global search performance. Secondly

benefiting from its excellent long-term time series processing capability

the Informer model was enabled to efficiently extract global features and local features from sequence data; especially for fault signals involving long-term dependencies

the model was able to demonstrate extremely high classification performance. Thirdly

an ECANet module was incorporated into the encoder of the Informer model to perform channel-wise adaptive calibration of extracted features

enhancing the model’s attention to critical features

strengthening feature representation

and reducing noise interference. Finally

the FDBO algorithm was employed to optimize multiple hyperparameters of the Informer-ECANet model

determining the optimal parameter combination to improve the diagnostic accuracy and generalization capability of the model.

Results

Test results demonstrate that the proposed method achieves an accuracy of 100% under noise-free conditions

and maintains a high accuracy of 94.4% even when subjected to Gaussian white noise at a -6 dB signal-to-noise ratio

thereby validating the superior performance and robustness of the model. This study provides an effective intelligent approach for gearbox fault diagnosis under challenging noisy environment.

关键词

Keywords

references

万安平，杨洁，王景霖，等 . 基于深度学习的航空发动机齿轮故障诊断［J］. 振动、测试与诊断， 2022 ， 42 （ 6 ）： 1062 - 1067 .

WAN Anping ， YANG Jie ， WANG Jinglin ， et al . Fault diagnosis of aeroengine gear based on deep learning ［J］. Journal of Vibration ，Measurement & Diagnosis， 2022 ， 42 （ 6 ）： 1062 - 1067 .

高贵兵，王俊深，岳文辉，等 . 基于脆弱性的制造设备故障智能诊断与维护［J］. 机械工程学报， 2020 ， 56 （ 23 ）： 141 - 149 .

GAO Guibing ， WANG Junshen ， YUE Wenhui ， et al . Fault diagnosis and maintain of manufacturing equipment based on vulnerability ［J］. Journal of Mechanical Engineering ， 2020 ， 56 （ 23 ）： 141 - 149 .

李彦夫，韩特 . 基于深度学习的工业装备PHM研究综述［J］. 振动、测试与诊断， 2022 ， 42 （ 5 ）： 835 - 847 .

LI Yanfu ， HAN Te . Deep learning based industrial equipment prognostics and health management：a review ［J］. Journal of Vibration ，Measurement & Diagnosis， 2022 ， 42 （ 5 ）： 835 - 847 .

FEI Y F ， QIN S Z ， LIAO W J ， et al . Graph neural network-assisted evolutionary algorithm for rapid optimization design of shear-wall structures ［J］. Advanced Engineering Informatics ， 2025 ， 65 ： 103129 .

ZHANG Y D ， WANG S H ， JI G L . A comprehensive survey on particle swarm optimization algorithm and its applications ［J］. Mathematical Problems in Engineering ， 2015 ， 2015 （ 1 ）： 931256 .

刘晨宇，李志农，熊鹏伟，等 . 融合路径聚合网络的Swin Transformer的故障诊断方法研究［J］. 振动与冲击， 2024 ， 43 （ 18 ）： 258 - 266 .

LIU Chenyu ， LI Zhinong ， XIONG Pengwei ， et al . Fault diagnosis method based on Swin Transformer with path aggregation networks ［J］. Journal of Vibration and Shock ， 2024 ， 43 （ 18 ）： 258 - 266 .

火久元，李昕，常琛，等 . 基于ACNN-LFSwin Transformer的双通道滚动轴承故障诊断方法［J/OL］. 计算机工程： 1 - 15 （ 2025-01-06 ）［ 2025-05-28 ］. https：//doi.org/10.19678/j.issn.1000-3428.0070297 https://doi.org/10.19678/j.issn.1000-3428.0070297 .

HUO Jiuyuan ， LI Xin ， CHANG Chen ， et al . Dual-channel rolling bearing fault diagnosis method based on ACNN-LSwin Transformer ［J/OL］. Computer Engineering ： 1 - 15 （ 2025-01-06 ）［ 2025-05-28 ］. https：//doi.org/10.19678/j.issn.1000-3428.0070297 https://doi.org/10.19678/j.issn.1000-3428.0070297 .

宋俊杰，陈翀，王涛，等 . 基于半监督学习Informer算法的工业机器人故障诊断方法［J］. 机电工程技术， 2024 ， 53 （ 2 ）： 24 - 28 .

SONG Junjie ， CHEN Chong ， WANG Tao ， et al . Informer-based semi supervised learning for fault diagnosis of industrial robot ［J］. Mechanical & Electrical Engineering Technology ， 2024 ， 53 （ 2 ）： 24 - 28 .

ZHOU H Y ， ZHANG S H ， PENG J Q ， et al . Informer：beyond efficient transformer for long sequence time-series forecasting ［J］. Proceedings of the AAAI Conference on Artificial Intelligence ， 2021 ， 35 （ 12 ）： 11106 - 11115 .

WANG Q L ， WU B G ， ZHU P F ， et al . ECA-net：efficient channel attention for deep convolutional neural networks ［C］// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . 2020 ： 11534 - 11542 .

XUE J K ， SHEN B . Dung beetle optimizer：a new meta-heuristic algorithm for global optimization ［J］. The Journal of Supercomputing ， 2023 ， 79 （ 7 ）： 7305 - 7336 .

HAN H R ， WANG H ， LIU Z L ， et al . Intelligent vibration signal denoising method based on non-local fully convolutional neural network for rolling bearings ［J］. ISA Transactions ， 2022 ， 122 ： 13 - 23 .

邵浙梁，戚知宽，周邵萍 . 基于改进注意力机制的CNN的齿轮箱故障诊断［J］．华东理工大学学报（自然科学版）， 2024 ， 50 （ 6 ）： 920 - 928 ．

SHAO Zheliang ， QI Zhikuan ， ZHOU Shaoping . Gearbox fault diagnosis based on CNN with improved attention mechanism ［J］. Journal of East China University of Science and Technology （Natural Science Edition）， 2024 ， 50 （ 6 ）： 920 - 928 .

谢锋云，汪淦，王玲岚，等 . STFT结合2D CNN-SVM的齿轮箱故障诊断方法［J］. 噪声与振动控制， 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 .

周舟，陈捷，吴明明 . 基于CWT和优化Swin Transformer的风电齿轮箱故障诊断方法［J］. 振动与冲击， 2024 ， 43 （ 15 ）： 200 - 208 .

ZHOU Zhou ， CHEN Jie ， WU Mingming . Fault diagnosis method for wind power gearbox based on wavelet transform and optimized Swin Transformer ［J］. Journal of Vibration and Shock ， 2024 ， 43 （ 15 ）： 200 - 208 .

张锐，刘婷婷，王燕，等 . 基于FBSE-ESEWT的齿轮故障诊断方法［J］. 电子测量与仪器学报， 2025 ， 39 （ 4 ）： 234 - 246 .

ZHANG Rui ， LIU Tingting ， WANG Yan ， et al . Gear fault diagnosis method based on FBSE-ESEWT ［J］. Journal of Electronic Measurement and Instrumentation ， 2025 ， 39 （ 4 ）： 234 - 246 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

考虑啮合冲击的电动汽车二级斜齿轮传动动力学特性分析

基于时移多尺度注意斜率熵和SCA-SCN的风机齿轮箱故障诊断

基于周期诱导的多层循环辛矩阵分解的风电齿轮箱早期故障诊断

基于BAS-IPSO的工业机器人运动轨迹规划

考虑混合润滑摩擦效应的齿轮啮合应力场及其失效风险影响研究