李益兵， 黄定洪， 马建波， 江 丽

(1. 武汉理工大学 机电工程学院，武汉 430070； 2. 数字制造湖北省重点实验室，武汉 430070)

齿轮作为旋转机械和传动系统中的关键零部件之一，具有结构紧凑、传动效率高等优点。当齿轮发生故障时，会严重影响旋转机械和传动系统的使用寿命和运行安全[1]。齿轮的振动信号往往呈现出非线性、非平稳性等特点，传统的故障诊断方法主要从时域、频域和时频域方面对数据进行特征提取，并输入到相应的分类器中进行故障分类。胡茑庆等[2]通过经验模态分解对振动信号进行特征提取，并利用深度卷积神经网络进行特征融合，实现了齿轮箱的故障诊断。辛玉等[3]通过迭代经验小波变换对齿轮振动信号进行特征提取，利用输出层(soft-max)进行故障分类。上述方法中，需要进行人为的特征提取，依赖于一定的信号处理技术和专家经验；而且，传统的分类器，如BP(back propagation)神经网络、SVM(support vector machine)等大多是基于浅层的网络模型结构，训练时容易陷入局部最优，泛化能力较差。

深度置信网络(deep belief network, DBN)作为经典的深度学习算法之一，具有强大的自适应特征提取和非线性数据处理能力，可以直接对原始时域振动信号进行特征提取[4]，避免了传统方法对信号处理技术和专家经验的依赖。近年来，DBN被广泛应用于各种机械设备的故障诊断。Yan等[5]针对传统数据处理方法无法有效挖掘多源异构数据中的特征分布，提出一种基于多源异构信息融合的DBN转子不平衡故障诊断方法。……