姚明镜 唐 璇 吕 昂

(①成都理工大学工程技术学院，四川 乐山 614000；②核工业西南物理研究院，四川 成都 610225)

行星齿轮箱作为风力发电机的重要传动部件，其运行环境复杂，如果一旦出现故障就会引发严重事故。因此对其进行故障诊断非常必要[1]。行星齿轮箱是多个行星轮绕太阳轮转动的机构，其运转过程中会产生振动，当齿轮有一些微弱故障时，振动信号就会发生变化，可以通过振动信号去判断和识别故障类型[2-3]。近些年，很多国内外学者利用信号处理技术和人工智能技术研究了基于专家系统、人工神经网络等齿轮箱故障诊断方法[4-5]。本文针对行星齿轮箱搭建实验平台，使用基于改进卷积神经网络(CNN)的故障诊断模型方法来进行故障识别与诊断，识别准确率比较高，从而可以准确判断故障类型，及时了解故障严重程度，降低检测成本，减少事故的发生。

1 卷积神经网络算法原理

1.1 卷积层

如图1所示，通过改变网络层的步长滑动卷积核使其与输入矩阵进行自相关运算，从而提取图像中每一块小区域的局部特征。权值就是卷积核上的数值，利用误差的反馈对卷积核进行更新迭代，从而实现网络的学习。

1.2 池化层

池化层可以减少参数个数压缩特征信息，提高泛化能力，其根据操作不同可分为两种：(1)最大池化层即寻找输入矩阵在池化窗口上的最大值，并将其映射到输出矩阵上(如图2所示)；(2)平均池化层即计算输入矩阵的平均值作为输出(如图3所示)。……