基于 CNN—MATT 的高速列车齿轮箱故障诊断

思颖 李(北华大学土木与交通学院，中国)
腾飞 王(北华大学土木与交通学院，中国)
云 陈(北华大学土木与交通学院，中国)
金贺 吕(北华大学土木与交通学院，中国)
姝怿 刘(北华大学土木与交通学院，中国)

摘要

本研究针对传统高速列车齿轮箱故障诊断方法中存在的动态特征交互不足、关键信息提取能力有限等问题，提出了一种基于卷积神经网络与多头注意力机制（Convolutional Neural Network and Multi-head Attention Transformer，CNN—MATT）的齿轮箱故障诊断方法。该方法构建了多模态特征提取与动态加权融合机制，采用并行双支路架构，利用CNN捕获局部空间特征，结合Informer模型挖掘长程时序依赖关系，引入MATT实现跨模态特征动态融合，增强时、频域特征向量，通过激活层函数（softmax层）实现高速列车齿轮箱的故障诊断。本方法在典型测点上的故障诊断准确率为96.31%，较CNN-LSTM故障诊断模型提升13.42个百分点，验证了CNN-MATT模型应用于高速列车齿轮箱故障诊断的准确性和可行性。

关键词

高速列车齿轮箱；故障诊断；卷积神经网络；多头注意力机制

参考

夏子阳. 高速列车齿轮箱性能分析与故障诊断[D]. 石家庄铁道大学, 2021.

陈仁祥,黄鑫,杨黎霞,等.基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J]. 振动工程学报, 2018, 31(5): 883-891.

张玺君,尚继洋,余光杰,等.基于注意力的多尺度卷积神经网络轴承故障诊断 [J]. 吉林大学学报(工学版), 2024, 54 (10): 3009-3017.

宋金波,刘锦玲,闫荣喜,等.基于VMD-1DCNN-GRU的轴承故障诊断[J].吉林大学学报(信息科学版),2025,43(01):34-42.

Chen J, Yin X, Li C, et al. One-dimensional convolutional neural network based bearing fault diagnosis[J]. OALib, 2022, 9(4): 1-11.

申晓宁,沈如一,陈星晖,等.基于SEnet和多头注意力机制的推荐模型[J].信息技术,2025,(02):1-6+13.

徐先峰,赵龙龙,夏振.基于CNN- LSTM的轴承故障智能诊断方法研究[J].自动化仪表,2020,41(12):27-33.

DOI: http://dx.doi.org/10.12345/gcjsygl.v9i13.29401