摘要
对风力发电机齿轮箱进行可靠的状态监测对于降低风电场的非计划停机时间及维护成本至关重要。然而，由于振动信号具有非平稳特性，故障相关特征在时频图上分布稀疏且不均匀，这一任务面临着诸多挑战。尽管时频分析已被广泛用于表示非线性和非平稳振动信号，但现有的深度学习方法通常直接处理完整的频谱图，而不区分那些冗余或无用信息区域。这导致了输入维度过高，同时使模型容易受到频谱噪声的影响，进而增加计算负担并可能降低诊断的可靠性。为解决这一问题，本文提出了一种基于互补选择机制的两阶段混合框架，该框架在两个不同的特征空间上运作。在第一阶段，利用极梯度提升算法（XGBoost）的重要性得分来识别并剔除输入频谱图中的无用时频特征，从而使输入频谱图的大小减少25%。在第二阶段，在最深层的残差层之后插入挤压激励模块（SE），对该残差卷积神经网络（ResCNN）生成的抽象特征图进行逐通道的软校准，从而在分类之前增强特征的区分度。所提出的方法在基于MCC5-THU基准数据的八类变速故障分类任务中进行了测试，数据来自一台2.2千瓦的电机驱动齿轮箱试验装置。在5折分层交叉验证下，该方法的平均准确率为97.81% ± 0.33%，与基于完整频谱图训练的基线模型相比，分类器的训练时间减少了约23%。这些结果表明，通过在输入层面进行频谱图筛选，并结合模型层面的通道注意力机制，可以构建出一个既稳健又具有高计算效率的风力发电机齿轮箱状态监测诊断框架。
