【齿轮箱诊断】基于GADF-CNN-SSA-Xgboost的齿轮箱诊断研究【东南大学齿轮箱诊断数据集】（Matlab代码实现）

   💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

基于GADF-CNN-SSA-XGBoost的齿轮箱诊断研究

1. GADF（齿轮箱诊断特征提取方法）的定义与作用

2. CNN在齿轮箱诊断中的典型应用场景

3. SSA（麻雀搜索算法）在模型参数优化中的应用方式

4. XGBoost在故障分类阶段的具体实现逻辑

5. 东南大学齿轮箱诊断数据集的公开渠道与特征维度

6. GADF与CNN结合的技术优势

7. SSA优化XGBoost参数的影响机制评估

综合技术流程

📚2 运行结果

🎉3 参考文献 

🌈4 Matlab代码、数据、文章下载

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于GADF-CNN-SSA-XGBoost的齿轮箱诊断研究

1. GADF（齿轮箱诊断特征提取方法）的定义与作用

GADF（Generalized Angular Difference Function）是一种将一维振动信号编码为二维图像的特征提取方法，其核心在于通过极坐标系统保留时间序列的动态特征，并增强拓扑信息。具体实现步骤包括：

• 数据归一化：将原始信号归一化到[-1,1]区间，重新排列为时间序列X。
• 形式，保留时间信息。
• 角度差计算：构建二维矩阵表示不同时间点的角度差异，生成具有交叉图案的GADF图像，波动幅度越大，交叉越明显。
• 技术优势：GADF不仅能捕捉信号的周期性变化，还能通过二维映射突出突变特征（如齿轮裂纹、断齿等），为后续CNN模型提供高区分度的输入。

2. CNN在齿轮箱诊断中的典型应用场景

CNN通过卷积层、池化层自动提取GADF图像的局部特征，典型应用场景包括：

• 时频图分类：如STFT生成的时频图通过2D CNN提取特征后结合SVM分类，准确率达97.94%。
• 端到端模型：改进的1D CNN直接处理原始信号，结合相似性损失函数增强分类稳定性。
• 注意力机制融合：引入通道注意力（ECA）和空间注意力（CBAM）模块，提升对关键特征的敏感度。例如，改进后的CNN在东南大学数据集上准确率达98.5%。

3. SSA（麻雀搜索算法）在模型参数优化中的应用方式

SSA通过模拟麻雀群体觅食行为优化超参数，其核心机制包括：

• 参数初始化：种群中个体位置对应XGBoost参数（如学习率、树深度），适应度函数为分类准确率或误差。
• 位置更新策略：
  • 其中α为随机数，T为最大迭代次数。
  • 跟随者：局部搜索最优区域，更新公式引入Levy飞行策略避免局部最优。
• 收敛效率：与PSO、GA相比，SSA在优化XGBoost时迭代次数减少30%-50%，且适应度值收敛更稳定。

4. XGBoost在故障分类阶段的具体实现逻辑

XGBoost作为分类器，接收CNN提取的特征向量，其实现逻辑包括：

• 
• 分类性能：在东南大学数据集中，XGBoost结合SSA优化后分类准确率可达99.25%，优于SVM、随机森林等传统方法。

5. 东南大学齿轮箱诊断数据集的公开渠道与特征维度

• 数据来源：通过传动系动力学模拟器（DDS）采集，包含两种工况（20Hz-0V、30Hz-2V）下的振动信号。
• 故障类型：健康状态及4类故障（断齿、齿面磨损、根部裂纹、齿面裂纹），每种故障200个样本，总样本量1000组。
• 信号维度：每个样本长度2048点，采样频率5120Hz，包含8通道数据（电机振动、扭矩等）。

6. GADF与CNN结合的技术优势

• 特征增强：GADF图像通过颜色梯度反映信号突变，CNN可自适应提取纹理特征（如交叉线、斑块），在噪声环境下（SNR=6dB）仍保持99.6%准确率。
• 计算效率：与传统时频分析（如STFT）相比，GADF编码耗时减少约40%，且无需手动设计滤波器。
• 跨工况适应性：在变负载条件下（如20Hz→30Hz），GADF-CNN模型准确率稳定在99.8%以上。

7. SSA优化XGBoost参数的影响机制评估

• 收敛速度：SSA在50次迭代内即可找到全局最优参数，而PSO需80次以上。
• 误差降低：经SSA优化的XGBoost在测试集上MSE从0.08降至0.056，MAE降低27.99%。
• 抗过拟合：正则化参数（如λλ）通过SSA动态调整，使模型在训练集和测试集的准确率差异小于1%。

---

综合技术流程

1. 数据预处理：对东南大学数据集进行归一化、重叠采样。
2. GADF编码：生成二维图像，突出故障特征。
3. CNN特征提取：通过改进的注意力CNN提取高维特征。
4. SSA参数优化：优化XGBoost的树深度、学习率等超参数。
5. XGBoost分类：输入特征向量，输出故障类别。

该方法在复杂噪声和变负载环境下表现出高鲁棒性，为工业齿轮箱智能诊断提供了有效解决方案。

📚2 运行结果

🎉3 参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

🌈4 Matlab代码、数据、文章下载

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取

                                                           ​