庞新宇，魏子涵，仝 钰

（1.太原理工大学机械与运载工程学院 太原，030024）

（2.煤矿综采装备山西省重点实验室 太原，030024）

引言

齿轮箱是机械设备的核心部件，特别是在工程机械、煤矿机械及航空机械等不同领域的机械设备中［1］，齿轮数量多，结构复杂，齿轮传动往往既有定轴传动也有行星传动［2-3］，因此故障形式不仅表现为不同的单故障，还伴随着复合故障［4-5］。复合故障较单故障来说信号混杂，故障特征不明显，多种故障信号之间相互耦合，对其进行故障诊断较为困难［6］，故机械设备齿轮箱齿轮故障诊断一直是相关领域研究的热点。复合故障信号所表现出的非线性函数关系较单故障来说更难以被挖掘。在齿轮复合故障诊断方面，传统的诊断方法多集中在对于信号特征提取方面的研究，通过对故障信号的特征图谱进行去噪、滤波等方法提取出有效特征［7］。智能算法也被应用到齿轮箱故障诊断中，并取得了一定成果。徐文博等［8］对比了几种基于深度学习模型的齿轮故障诊断方法，其中磨损、断齿、裂纹及点蚀4 种单故障在CNN 模型上取得了95.8%的识别准确率。汤宝平等［9］提出一种多共振分量融合卷积神经网络的行星齿轮箱故障诊断方法，对行星齿轮箱滚动轴承与齿轮的故障进行了有效的区分，其中对齿轮的故障识别准确率最高达到94.7%。张立智等［10］将CNN 与D-S 证据理论相结合，将CNN 输出的结果作为D-S证据理论的输入计算出基本概率分配，得到了诊断精度达到84.58%的齿轮箱诊断模型。……