赵春华 李 谦 胡恒星 陈小甜 谭金铃，3

(1.三峡大学水电机械设备设计与维护湖北省重点实验室 湖北宜昌 443002;2.三峡大学机械与动力学院 湖北宜昌 443002;3.三峡大学大学生素质教育中心 湖北宜昌 443002)

近年来对齿轮齿条故障的研究主要是基于磨粒铁谱分析的状态识别[1-3]和基于振动信号的故障诊断[4]。而大模数齿轮齿条长期处于正常的运行状态，监测到的故障状态数据较少，而且其运行速度低，不利于使用振动信号对其进行故障诊断。因此，齿轮齿条的磨粒识别在其故障检测中具有极其重要的作用。大模数齿轮齿条传动装置润滑系统中的润滑油或者润滑脂中包含大量磨损故障颗粒信息，对这些磨粒进行分析有助于发现异常磨损的部位和类型。但大模数齿轮齿条实际工程应用中监测到的数据仍存价值密度低、可利用率低等问题。

针对大模数齿轮齿条的磨粒数据收集困难、标记成本高、训练数据少等问题，本文作者采用了基于一种新的联合损失函数优化的迁移学习的集成模型，从而提升对磨粒的诊断能力。迁移学习主要通过对原域的学习解决目标域问题的一种新的方法，是一种能有效地把已经在大规模带注释数据集上训练的卷积神经网络，转移到有限训练数据量的磨粒图像识别方法。集成模型是将多个模型的优点集成到一个模型来提高目标的识别结果，但是一般化的集成神经网络的成本较高，难以发挥其真正的效能[5-7]。……