于 军，高莲莲，于广滨，刘 可，郭振宇

(1. 哈尔滨理工大学 先进制造智能化技术教育部重点实验室，哈尔滨 150080; 2. 矿冶过程自动控制技术国家重点实验室，北京 100089; 3. 哈尔滨理工大学 自动化学院，哈尔滨 150080; 4. 哈尔滨理工大学 电气与电子工程学院，哈尔滨 150080; 5. 哈尔滨理工大学 机械动力工程学院，哈尔滨 150080)

行星齿轮箱具有传动比大和结构紧凑等特点，已广泛应用于汽车、风力发电和直升机等设备的机械传动系统中[1-2]。而复杂恶劣的工作环境常导致行星齿轮箱内部的齿轮发生裂纹、点蚀和磨损等故障[3]，从而引起整个系统的失灵，甚至导致巨大的经济损失。因此，行星齿轮箱的故障诊断对避免潜在事故的发生和保障机械系统的可靠运行具有十分重要的意义。

近年来，深度学习理论因其强大的特征提取和表示能力而受到学者的广泛关注，已被成功应用于行星齿轮箱的故障诊断中。典型的深度学习模型包括深度置信网络(Deep Belief Network, DBN)、堆叠自动编码器(Stacked Autoencoder, SAE)、卷积神经网络(Convolutional Neural Network, CNN)和循环神经网络(Recurrent Neural Network, RNN)。DBN是由多个限制玻尔兹曼机组成的典型深度学习模型，每一限制玻尔兹曼机包含一个视觉层和一个隐层[4]。DBN可通过多隐层的非线性运算，提取和表示原始数据的高层次特征。Chen等[5]提出了一种基于维度约简和DBN的行星齿轮箱故障识别方法，用于提高故障识别准确率。Wang等[6]将一致性特征看作DBN的输入，实现行星齿轮箱的故障诊断。实验结果表明该方法具有较强的鲁棒性和较高的准确率。DBN虽具有简单的结构和极强的表示能力，但提取的故障特征常包含大量的冗余信息，从而极大地增加了计算复杂度，降低了识别准确率。……