郑鹏飞，周新聪，方军强，陈 凯

(武汉理工大学，湖北武汉 430063)

随着现代船舶向着大型化和智能化趋势发展，船舶设备的自动化程度越来越高，结构也变得更为复杂，设备先进化大幅提高了生产效率，然而设备的故障率明显增加，发生故障后诊断与维修更加困难。船舶齿轮箱是船舶动力装置的重要组成部分，结构复杂且运行工况环境恶劣，容易发生故障［1］，因此对齿轮箱故障进行准确的诊断能够有效提高船舶动力传递和输出的稳定性，降低维修维护成本。

伴随着计算机和人工智能技术的逐步推广，故障诊断技术已经发展成为一种多方法、多学科交叉的复杂模式识别过程，一般主要包括数据采集、特征提取、特征筛选以及状态识别4个步骤，其中特征提取结果的好坏会直接影响故障诊断的精度和可靠性。经过几十年的发展，许多基于不同理论的故障特征提取方法相继被提出，比如奇异值分解、经验模态分解、小波分析和自回归模型等［2－3］。然而，上述的故障特征提取方法不仅需要具备专业的信号处理技术和复杂的数学公式运算，而且当研究对象为齿轮箱一类的复杂系统时，由于环境因素干扰和内部结构相互耦合的影响，单种故障特征提取方法无法深入挖掘出所有故障类型的敏感特征，常需要将若干种故障特征提取方法进行融合才有一定的效果。综上所述，随着机械系统的复杂综合化趋势和监测数据的爆炸式增长，传统的故障诊断方法因需具备大量信号处理技术和过度依赖专家经验的限制，面对诊断复杂机械系统时已经力不从心，故而需要研究1种新方法满足诊断系统变化的需求。……