陈里里 ，司吉兵 ，董绍江

（1.重庆交通大学机电与车辆工程学院，重庆 400074；2.重庆交通大学城市轨道车辆系统集成与控制重点实验室，重庆 400074）

1 引言

风力机锥齿轮作为风力发电机的重要部件，其工作环境恶劣，故障率较高，在运行过程中容易出现故障，一旦发生故障，将会影响整个风力发电机系统的运行状态以及性能，因而风力机锥齿轮的故障诊断对于风力机的安全运行非常关键[1]。基于振动信号的齿轮故障诊断中，提取特征以及诊断模型的建立是齿轮故障诊断的两个主要问题。在振动特征的提取中，时域分析以及样本熵作为常用的分析方法在很多领域都有着较为广泛的应用[2-5]。在诊断模型的建立中，当前很多诊断模型都局限于浅层结构学习，例如临近节点算法（KNN）[6]、支持向量机（SVM）[7-8]、极限学习机（ELM）[9]以及神经网络等[10]。其局限性主要体现在很难能够获得目标数据深层本质特征以及泛化能力不足等，假如模型的输入特征缺乏足够的表示，将会对结果产生很大的影响。深度学习由文献[11]在2006 年提出，能够有效的解决这一问题。深度学习本质为构建含有多层非线性隐藏层的神经网络，对特征信息进行逐层提取获取目标数据深层本质信息。稀疏自编码器（SAE）作为深度学习中的变形结构，拥有很好的学习数据集特征的能力，通过多个稀疏自编码器堆叠形成SSAE，SSAE 能够进一步的学习目标数据集中的特征，并降低特征维数。当前深度学习已经在很多领域取得了大量成功的应用，例如语音识别、文本语义分类以及图像分类等，但是在齿轮故障信号的识别领域中应用非常少。……