刘 奇，唐红涛，高晟博，李 冰

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

齿轮具有传动比大、体积小、承载能力大等优点，同时作为减速箱的关键零件，由于其长期处于恶劣的工况条件下，也是设备最易损坏的部分。此外，齿轮一旦出现不同程度的失效，整个减速箱乃至整台设备都可能出现故障，这些故障引起的设备重大问题屡见不鲜。

为了维持设备的安全运行，避免造成不必要的停机维修损失，需要对齿轮进行状态监测和故障诊断，这也成为国内外众多学者的研究对象。例如，雷亚国等[1]从动力学建模和动态信号处理两方面分析了行星齿轮箱故障诊断的国内外研究进展，指出当前研究中存在的关键问题并讨论了解决这些关键问题的方法和途径； Hinton等[2]通过“逐层预训练”来有效克服深层神经网络在训练上的困难，从而掀起了深度学习的浪潮。近年来，越来越多的学者开始尝试将卷积神经网络(convolutional neural network，CNN)应用于工业设备的故障诊断中,虽然卷积神经网络的层数、池化方式、激活函数、分类器等结构参数可依据经验进行选择，不需要优化，但是卷积核的个数、大小、学习率等参数并没有明确的选取规则，显然随机选择容易使神经网络陷入局部最优。

综上所述，笔者结合鲸鱼算法(whale optimization algorithm)，其具有结构简单、参数少、搜索能力强且易于实现等特点，提出了WOA-CNN诊断模型，利用WOA对卷积神经网络参数进行优化，避免模型陷入局部最优解。……