揭震国 王细洋 龚廷恺

1.南昌航空大学飞行器工程学院，南昌，330063 2.南昌航空大学通航学院，南昌，330063

0 引言

齿轮及齿轮箱是金属切削机床、直升机动力传动系统等设备中常用的传动部件，据统计，这些设备80%的机械故障由齿轮引起[1]，因此，齿轮故障诊断对降低设备维修费用和防止突发性事故具有重要意义。

近年来，深度学习成为机械智能故障诊断的一种主流趋势[2]，其中，卷积神经网络(convolutional neural network, CNN)是一种代表性方法。CNN是图片和视频识别领域应用最为广泛的方法，已被广泛应用到故障诊断领域。ZHANG等[3]将一种基于自适应批归一化的第一层宽卷积核深度卷积神经网络模型用于故障诊断。吴春志等[4]针对传统故障诊断方法难以解决端对端故障识别的问题，提出了一维卷积神经网络的故障诊断方法。胡茑庆等[5]针对行星齿轮箱需要专家知识才能实现故障识别的问题，提出了一种经验模态分解和CNN相结合的智能故障诊断方法。但CNN的诊断效果受限于两个条件：一是CNN需要大量的已标注训练集才能达到令人满意的识别率；二是CNN要求训练集和测试集具有相同的分布。然而，在生产实际中难以满足以上两个条件，这会影响CNN的泛化能力，甚至使模型不再适用[6]。

近年来，深度迁移学习成为解决以上问题的一种主流方法，其模型的研究取得了很大进展[7-10]，并被应用到故障诊断领域。LI等[11]为了解决轴承数据域差异的问题，提出了一种多层域适配模型。YANG等[12]提出了一种将实验室轴承数据迁移到机车轴承数据的故障诊断方法，该方法采用多层域适配和伪标记学习。……