齿轮箱是旋转机械设备的朮要部件之一。本文主要研发重型机械用齿轮箱的远程监控和故障诊断系统,是工业4.0背景下推进智能制造和工业互联网的重要内容之一。重型机械如矿车、大型客车等由于其负载大、运行环境复杂,因此齿轮箱故障频发,导致重型机械的性能和使用寿命显著下降,因此需研究面向重型机械的齿轮箱远程监控和故障诊断方法,并基于该方法研发应用系统。论文的主要内容有:首先,设计了齿轮箱智能监控系统的总体架构。从工程硕士实际工业应用的需求出发,基于工业物联网、智能监控和深度学习等关键技术,设计了层次架构模型。其次,开发了基于NB-IOT的智能监控硬件。硬件的总体设计包括数据采集器和联网模块两部分。根据项目需求,完成了温度传感器和振动传感器的选型;分析研究了当前主流的工业互联网技术,确定采用窄带物联网NB-IOT技术,并设计了基于该技术的数据采集和联网通信方案,给出了具体的电路图。再次,研究了基础深度学习的故陣诊断算法。深度神经网络是一种可以自动提取故障特征的自学习模型。本文主要提出一种无监督的故障诊断方法K-SAE。齿轮箱的振动信号通过拉普拉斯特征映射,由K-均值聚类生成标记样本,再通过堆栈自编码器SAE完成故障诊断模型的训练。该方法直接接输入时域振动信号,克服了传统有监督学习需要手动标记训练样本的缺点,提高了齿轮箱故障诊断的智能性。实验表明,该方法的准确性可以与有监督方法媲美,证明了无监督学习在齿轮箱故障诊断中的可行性和有效性,为实时诊断的工业应用奠定了基础。最后,开发了齿轮箱智能监控的软件平台,并将上述硬件、算法和平台有效集成,应用于实际工业应用。将数据采集和联网模块安装在齿轮箱上,加速度传感器采集轴承振动信号、热电偶采集轴承温度信号,将上述深度学习齿轮箱故障诊断算法部罟于云端的软件平台,可以对齿轮箱和机械设备的实时运行态势和健康体征进行统一监测,从而提升重型机械设备的综合管理水平、决策水平和应急处置效率。最后,对所做工作进行了总结并阐述了下一步的研究方向。