齿轮箱作为机械系统中的核心部件之一,具有结构紧凑、高传动比等亮点。强大的承重能力和较高的工作效率使得齿轮箱作为关键组件,被广泛应用于各类工业生产中,如风力发电系统、直升机主减速器、航空航天等。然而,在实际工作场景中,由于恶劣的工作条件,加之齿轮箱往往服役于动态的重负荷中,齿轮箱往往在变工况条件下运行。久而久之,一旦齿轮箱出现各类故障,工程系统将有可能崩溃,甚至会导致非常惨重的工程事故。因此,开发齿轮箱健康状况监测系统和早期故障诊断技术,具有非常重要的工程应用价值和理论研究意义。本课题基于人工智能研究领域的机器学习和深度学习算法,采用智能诊断方法,提供了端对端的诊断模式,无需人工干预、先进的信号处理技术及人工提取特征,对工业齿轮箱进行故障诊断研究。到目前为止,智能诊断方法在工业中已有广泛的研究和应用。然而大多数传统的深度学习模型(如卷积神经网络),因其复杂的结构和冗多的模型参数,往往须要大批量的标签数据,耗费巨大的精力和时间,进行模型训练和特征提取。而在工业齿轮箱中,获得大量的标签数据通常是一项费时又费力的工作,有时甚至无法完成。且高效的齿轮箱故障识别、诊断和分类技术将为工业生产节省大量的经济成本和时间成本。此外,用于智能诊断模型训练的辅助域与实际模型部署的目标域通常具有特征分布不匹配的问题,而现有研究多考虑同一设备多工况间的迁移,对于实际任务,不同故障程度、不同设备故障数据之间的迁移,尤其是在实验室环境下具有典型标定的故障数据向实际装备监测数据之间的迁移,则具有更强的工程实际应用价值。针对以上情况,本文提出了三种齿轮箱智能诊断框架,以应对小样本甚至无故障样本条件下的齿轮箱故障识别、诊断和分类问题。本文的具体研究内容可概括如下:(1)为解决小样本条件下的齿轮箱故障诊断问题,本文提出了一种基于改进的卷积神经网络(Modified Convolutional Neural Network,MCNN)的智能故障诊断框架,采用全局平均池化层(Global Average Pooling Layer,GAP)代替传统的全连接层(Fully-connected layer),减少了模型训练参数的数量。此外,为了评估该算法的性能,从故障分类精度,模型特征可视化和计算效率三个方面对两个工业齿轮箱进行了案例分析。实验结果表明,在小样本条件下,相较于其他6种传统的机器学习(Machine Learning,ML)算法和深度学习(Deep Learning,DL)算法,改进的卷积神经网络诊断精度更高、泛化能力更强、计算负担更小。(2)针对工业环境中无故障样本的情况,本文提出了一种行星齿轮箱关键零部件的故障识别系统,结合有限长单位脉冲响应(Finite Impulse Response,FIR)带通滤波器和深度卷积生成对抗神经网络(Deep Convolutional Generative Adversarial Networks,DCGAN),仅采用行星齿轮箱结构参数和健康的行星齿轮箱振动信号,搭建了行星齿轮箱关键零部件故障检测框架。该框架的输入是从待测行星齿轮箱采集的振动信号,输出是待测行星齿轮箱关键零部件的健康状况,通过一次检测同时完成太阳轮、行星轮、行星架和齿圈的故障识别。此外,通过实验案例证实了该模型的有效性。(3)针对工业应用中用于智能诊断模型训练的训练样本与实际模型部署的测试样本分布特征通常不匹配的问题,本文提出了一种深度对抗卷积神经网络(Deep Adversarial Convolutional Neural Network,DACNN)方法,采用对抗学习的思路构建迁移学习(Transfer Learning,TL)故障诊断方法,搭建了域适应迁移诊断框架。并考虑不同设备、不同运行工况、不同故障程度的迁移诊断,利用CWRU和IMS两个轴承故障数据集构建迁移诊断实验,对所提方法的适应性、优越性与诊断结果的可解释性上进行分析与验证。