人工智能技术发展为智能故障领域开辟了天地。深度学习对故障数据有效拟合学习能避免手动故障特征提取。深度学习中主要分为监督式学习和无监督式学习模型。其中监督式学习利用带故障标签的数据进行模型训练来拟合故障类别特征,这种方式往往需要大量带标签的数据,而无监督学习是通过模型自动对无标签数据的进行聚合和分类。在无监督学习的背景下,深度自编码器是一种输入和输出大小相等的模型架构,同时深度自编码能对无标签数据进行无监督学习,这种无监督特征提取的方式在机械故障诊断中能有效处理传感器采集到的大量无标签数据。在本文中主要研究深度自编码网络在齿轮箱故障诊断中的应用。其中主要的研究内容如下:(1)在工业生产中采集到的海量数据,其中无标签数据占比最大,为了更好地利用这些海量无标签数据,利用无监督学习的方式给大量无标签数据先生成伪标签数据,通过添加分类器进行故障分类,提高深度自编码诊断精度,并在齿轮箱中对轴承和齿轮分别进行多工况诊断以及轴承与齿轮混合故障数据进行诊断。(2)深度自编码包含多个网络层,其中激活函数作为深度网络学习层对数据处理的关键环节,提供了非线性数据处理能力。以公开的轴承和齿轮数据为对象,在研究中通过对多种激活函数的深度自编码集成来提高故障诊断稳定性。(3)在深度自编码中,卷积自编码具有高效的特征提取能力,针对于卷积自编码提出一种变形卷积与深度自编码融合模型,通过变形卷积增强自编码特征提取,提高数据重构能力。(4)通过对多类深度自编码模型的部署利用Tensorflow-serving、Node-Red数据实时可视化以及three.js三维模型渲染,为实际生产过程提供远程故障诊断基础。