杨永灿,刘 韬,柳小勤,王廷轩,王振亚

(昆明理工大学机电工程学院，云南 昆明 650500)

0 引言

行星齿轮箱作为整个传动系统的关键部件，被广泛应用于机械装备中[1]。因工程环境的复杂性与多变性，齿轮箱中的齿轮和轴承等核心部件极易发生损坏。齿轮箱的健康状况与整台设备的运行有着紧密联系，因此，对行星齿轮箱的状态监测与性能评估是工程实际中的重中之重[2]。

近年来，深度学习作为机器学习的热点方向，因其强大的特征提取能力，在机械设备故障诊断领域被广泛应用。雷亚国等[3]将机器学习模型改进并应用于设备的故障诊断中；Chen等[4]通过绘制振动信号特征统计图来作为卷积神经网络(convolutional neural network,CNN)的输入，进行了故障诊断；胡茑庆等[5]通过经验模态分解的方法对行星齿轮箱振动信号预处理，输入到CNN模型中进行故障识别；孔子迁等[6]通过时频融合并结合注意力机制，实现了行星齿轮箱故障诊断。近些年来，深度学习在故障诊断领域被广泛应用，但模型的输入过分依赖先验知识，没有利用深度学习强大的特征提取能力。于是，一些学者对一维振动信号直接作为深度学习模型的输入展开了研究，曲建岭等[7]建立了1D-CNN的“端到端”自适应故障诊断算法,实现了轴承故障诊断；Wu等[8]使用1D-CNN模型对固定轴齿轮箱和行星齿轮箱进行了故障诊断研究，证明具有较强的特征提取能力。虽然有许多的学者将深度学习理论应用于机械设备故障诊断领域，但是由于实际工况多变，数据噪声干扰大，因此，深度学习网络在面临实际工况数据时，难以充分挖掘表征有故障信息的特征，从而影响识别结果。……