摘要： 针对卷积神经网络在复杂工况下对行星齿轮箱故障信号诊断准确率不佳等问题，提出一种基于DenseNet-MGAM与IWSO-XGBoost 模型的行星齿轮箱故障诊断方法。首先，提出一种新的多通道全局注意力机制(Multi-channel Global Attention Mechanism，MGAM)并将其融入DenseNet 网络，提高网络对不同类型的故障特征提取效果；然后，采用基于混沌映射与随机扰动策略的改进白鲨算法优化XGBoost 算法(Improved White Shark Optimization Algorithm-XGBoost，IWSO-XGBoost)替代DenseNet 网络原有的Softmax 函数，提高网络对复杂特征的分类效果。行星齿轮箱故障诊断实验结果表明，提出的基于DenseNet-MGAM与IWSO-XGBoost 模型对行星齿轮箱故障诊断准确率达到了99.43 %，对比其他现有的行星齿轮箱故障诊断模型，该模型诊断精度最高。

关键词: 故障诊断, 行星齿轮箱, 注意力机制, 极端梯度提升决策树（XGBoost）, 白鲨优化算法(WSO)