摘要：针对齿轮信号具有较强非平稳性、易被强烈噪声干扰及不同故障类型间易混淆的问题,本研究提出了融入频率通道注意力(Frequency Channel Attention,FCA)机制和DenseNet45模型的齿轮故障诊断方法,实现了对故障类型的精确识别和分类。首先,对齿轮信号进行短时傅里叶变换(Short-time Fourier Transform,STFT),得到二维时频谱图作为样本,将样本按照4:1划分为训练集和测试集;然后调用更少的密集连接块构造DenseNet45模型,同时将FCA模块融入DenseNet45模型的卷积层中,并将训练集输入到模型中进行学习,通过改变学习率下降的速度来提升模型性能;最后,将学习好参数的网络模型应用于测试集进行验证,输出测试集故障识别的准确率。结果表明,所提方法在两种工况下的准确率分别达到99.875%和99.75%,能有效将不同类型的故障进行识别并分类,与其他典型卷积神经网络模型相比,所提方法准确率更高,收敛速度更快。