王昱，尹爱军

（重庆大学 机械工程学院 机械传动国家重点实验室，重庆 400044）

齿轮箱是现代机械设备的重要部件，也是失效频率高发部件。齿轮箱的失效往往致使整个机械系统进入瘫痪或运行失控，造成不必要的财产损失甚至人员伤亡[1]。因此，对齿轮箱失效故障的准确有效诊断是维护设备稳定、安全运行的重要保障。

目前用于齿轮箱故障诊断的方法数量众多，包括噪声分析法、振动分析法、油液分析法、声学分析法、温度分析法等[2]，而基于振动信号的故障诊断方法应用最广。武哲等[7]利用多元经验模态分解对多通道振动信号进行自适应分解，并依据峭度准则和相关系数对此进行特征提取。党建等[8]将排列熵算法用于水轮发电机组非平稳振动信号的故障诊断中，取得了较好的效果。Wang等[9]提出利用振动信号的局部均值分解对低速螺旋齿轮箱进行诊断的方法。张亢等[10]将局部均值分解（LMD）与阶次跟踪相结合，提出一种变转速工况下的滚动轴承故障诊断方法。Ali等[11]将振动信号的经验模态分解与深度神经网络结合，以实现轴承故障的自动诊断。

在以上及现有的故障诊断方法中，均存在一些共有的不足点：一是需要对特定振动信号作针对性的特征提取，造成参数设置复杂且通用性不足；二是需要振动信号符合某些特定的假设，而对于信号和假设间的真实相关性，往往既缺乏理论依据，也缺乏最佳实践；三是一些结合现代深度学习模型的方法数据依赖量大，而实际工况下的数据收集往往较困难。……