基于GADF-CNN-LSTM的齿轮箱智能故障诊断方法

1. 项目概述：基于GADF-CNN-LSTM的齿轮箱故障诊断系统

齿轮箱作为机械设备中的核心传动部件，其运行状态直接影响整个系统的可靠性。传统故障诊断方法依赖专家经验和信号处理技术，而基于深度学习的智能诊断方案正在成为工业领域的新标准。这个项目通过融合格拉姆角场（GADF）、卷积神经网络（CNN）和长短期记忆网络（LSTM）三大技术，构建了一个端到端的故障诊断模型。

东南大学提供的齿轮箱数据集包含多种工况下的振动信号，我们首先将一维时序信号通过GADF转换为二维图像，保留时间序列的时空特征。随后设计CNN-LSTM混合网络架构，CNN负责提取空间特征，LSTM捕捉时间依赖关系。最终在Matlab环境下实现完整流程，包括数据预处理、特征转换、模型训练与性能评估。

关键创新点：GADF转换解决了传统时频分析方法特征提取不充分的问题；CNN-LSTM混合架构同时建模空间和时间维度特征，比单一模型提升约15%的准确率。

2. 技术原理深度解析

2.1 格拉姆角场（GADF）技术原理

格拉姆角场属于时间序列编码技术，通过将一维信号映射到极坐标系后计算Gramian矩阵。具体实现分为三个步骤：

1. 数据归一化：将原始振动信号归一化到[-1,1]区间，消除量纲影响

   matlab复制x_norm = 2*(x - min(x))/(max(x) - min(x)) - 1;
   

2. 极坐标转换：通过反余弦函数将归一化值转换为角度

   matlab复制phi = acos(x_norm); % 极角
   r = (0:N-1)/N;     % 极径（N为序列长度）
   

3. Gramian矩阵计算：使用差分角度构造GADF矩阵

   matlab复制GADF = sin(phi_i + phi_j)  % i,j为矩阵行列索引
   

这种转换的独特优势在于：

• 保留原始信号的时序相关性
• 生成的二维图像包含丰富的时频联合特征
• 对噪声干扰具有鲁棒性

2.2 CNN-LSTM混合网络设计

网络架构采用双分支设计，具体参数配置如下表所示：

| 网络模块 | 层类型 | 参数设置