梁 好，蒋章雷，李宇恒，徐小力

(北京信息科技大学 现代测控技术教育部重点实验室，北京 100192)

0 引 言

由于行星齿轮箱比传统的定轴齿轮箱有更大的传动比、更高的承载效率，被广泛应用在航天航空领域，以及风力发电机组、起重机械中[1]。但其复杂的工作环境带来的强背景噪声会淹没一部分的微弱故障特征，所以对行星齿轮箱微弱故障特征的提取方法进行研究，目前已成为行星齿轮箱故障诊断研究中的重点与难点。

目前，研究人员已经采用了很多方法研究行星齿轮箱的故障特征。文献[2]提出了一种基于深度学习多样性特征提取方法，该方法结合信息融合技术，有效地提高了行星齿轮箱的故障诊断精度与稳定性。文献[3]提出了一种基于经验模态分解结合深度卷积神经网络的智能故障诊断方法，可以准确有效地识别行星齿轮箱工作状态以及故障类型。文献[4]将双树复小波引入振动信号分析中，实现了对风力发电机的运行监测与故障类型识别。

现阶段许多行星齿轮箱的故障诊断方法，只是在传统定轴齿轮箱故障诊断方法的基础上迁移过来的，所以针对行星齿轮箱中复杂的振动信号传递路径以及多种特征频率存在等问题，许多学者也进行了相关的研究。雷亚国等[5]建立了行星齿轮系统动力学模型，结合试验归纳了行星齿轮箱齿轮局部故障的振动信号特点；冯志鹏等[6-8]建立了行星齿轮箱正常和故障的振动信号模型，采用了包络谱、瞬时Fourier频谱等方法，对行星齿轮箱进行了故障诊断；……