机械设备在运转过程中往往会出现由于超负荷运行或长期缺乏有效维护造成因故停机的情况,从而给企业带来巨大经济损失和安全隐患。齿轮箱作为机械传动的核心部件迫切需要对其运行过程进行监测与故障诊断,防患于未然。大多数状态监测和故障诊断技术均以设备运行过程中的振动信号为手段,通过分析不同状态下信号频率特征来确定设备状态及故障类型。然而,对设备磨损故障,直接研究磨损产物——磨粒,较振动信号能更直观准确地表达设备磨损状态。磨粒分析一般分为基于典型铁谱图像特征的磨粒识别和基于颗粒浓度的设备剩余寿命预测。本文针对磨粒铁谱图像分类和异常检测展开深入研究,采用卷积神经网络构建基于单一磨粒的铁谱图像分类模型和基于多磨粒的铁谱图像目标检测模型,实现磨粒铁谱图像的智能分类和异常磨粒智能检测。首先,使用在线和离线两种方式从待测油液中获取磨粒铁谱图像,根据磨粒分类和异常磨粒检测两种不同情况选择合适的铁谱图像数据集并进行图像标注。本文所得磨粒按形貌特征分为链状磨粒、切削磨粒、疲劳磨粒、球状磨粒和严重滑动磨粒。用于分类问题的数据集包含除球状磨粒之外的其他四种类型,用于异常检测问题的磨粒不包含正常磨损产生的链状磨粒。并且,在异常检测问题中考虑对润滑油中油泥的检测。为解决图像样本数量不足问题,自主设计了基于相似性的虚拟磨粒铁谱图像,并针对不同问题分别构成相应数据集,为深度学习研究奠定基础。其次,研究了基于卷积神经网络的最优磨粒铁谱图像分类模型。提出一种虚拟图像作为源数据的迁移学习方法,以解决磨粒图像样本数量较少的问题。以AI Studio为开发平台,使用PaddlePaddle深度学习框架,构建了基于AlexNet的卷积神经网络基础模型,使用参数迁移方法研究不同参数对模型分类准确率的影响,在合理调控范围内寻求使模型取得最佳分类效果的最优参数组合,在测试集上分类准确率达到93.8%。同时,对各卷积层输出的特征图进行可视化,直观分析模型训练过程中卷积神经网络特征提取过程,使用聚类算法表征了磨粒分类结果。最后,针对真实工况下的矿用齿轮箱磨粒铁谱图像,提出基于两级迁移学习的异常磨粒智能检测模型。在检测过程中,考虑油泥作为干扰源,以YOLOv3单阶段目标检测算法为基础,使用自主设计的混合磨粒铁谱图像数据集构建基础模型;然后,从迁移学习源数据出发,使用不同虚拟异常磨粒数据集进行比较研究,选择更合适的数据进行迁移学习;最后,使用矿用齿轮箱磨粒铁谱图像,验证上述研究的实用性。使用两级迁移学习优化模型检测效果,分析了优化前后模型误差来源,证明了结果的有效性。经过两级迁移学习,模型在验证集上平均检测精度为86.1%,平均召回率为95.8%。总体上,本文以磨粒铁谱图像为研究对象,以深度迁移学习为研究方法,针对矿用齿轮箱磨粒分类与异常检测问题,采用虚拟图像数据作为源数据进行研究,构建了基于虚拟图像与深度迁移学习的磨粒铁谱图像智能分类模型与基于两级迁移学习的异常磨粒检测模型,按照“虚拟数据→公开数据→实测数据”两级迁移学习实现了矿用齿轮箱异常磨粒智能检测,检测精度相比基础模型提高了 44.5%。