机械故障诊断领域已进入了“大数据”时代,且深度学习以其强大的自适应特征提取和分类能力也在机械大数据处理方面取得了丰硕的成果。然而这些研究均运用在单标签体系下,诊断单一目标故障。在大数据背景下,单标签体系不仅割裂了机械装备不同目标故障之间的联系,也难以完整描述装备故障位置、类型、程度等种类繁多的健康状态信息。本文针对该问题提出了一种基于多任务深度学习模型的诊断方法,对齿轮箱的轴承及齿轮这两种目标的故障同时进行诊断。本文首先针对实验数据不足的问题,参考美国凯斯西储大学轴承数据的采集方式,以动力传动故障诊断综合实验台为研究对象,设计并采集了齿轮箱30种复合故障数据,为之后的研究提供了数据保障。同时进行模型预研,结果表明一维卷积方法在该数据集上的特征提取能力最好。根据采集得到的齿轮箱复合故障振动信号特点,本文首先提出了基于一维卷积神经网络的多任务深度学习模型(Multi task Convolutional Neural Network,MT-CNN)。首先通过共享层提取数据的共享特征,然后通过任务层分别提取齿轮和轴承的故障特征,对数据的频域振动信号进行诊断,识别的联合准确率达到了94.6%。针对原始模型收敛速度慢、训练耗时的问题,本文使用批归一化(Batch Normalization,BN)算法优化网络,同时增大了共享层和任务层卷积核的大小,增大了感受野。提出了基于BN的MT-CNN网络模型。4折交叉验证结果表明,使用BN后优化的MT-CNN网络收敛速度明显提高,且平均识别的联合准确率可达到96%,较未使用BN的网络模型有明显提升。针对深度学习网络难理解的问题,本文使用模型可视化技术,对任务层卷积核进行了可视化,验证其特征提取能力。通过可视化技术展现了模型的分类过程。为了更好的分析模型的性能,本文进行了拓展性实验。通过缺失数据训练的方式,研究了缺失负载或转速数据训练情况下,网络模型的泛化能力。结果表明在缺失负载下,联合准确率仍有92%,而缺失转速下,出现了严重的过拟合现象,仅有76%,表明模型对转速的适应力差,任有改进的空间。