机械系统规模的扩大与数据采集系统性能的提升使得传统故障诊断技术难以满足“大数据”时代的诊断需求。而深度学习技术的突破,使数据驱动模型为故障实时监测与诊断课题开拓了新的思路。论文主要研究了行星齿轮箱的故障特征提取方法,结合深度学习技术,提出了一种行星齿轮箱智能实时故障诊断方法。本文的具体研究工作如下所示:(1)研究了行星齿轮箱典型故障的特征与形成原理,针对行星齿轮箱常见的工况以及故障形式,研究了转子试验台设计原理,设计并搭建了可应对多种齿轮箱故障试验的转子故障试验台,加入了模块化设计思维,使设计完成试验台具有多功能模块化的优势。另对传动轴进行了固有特性分析,以保证试验台安全稳定运行。(2)研究了滚动轴承振动信号的非线性、非平稳、多分量特征,分析了多重去趋势波动分析在提取滚动轴承故障特征时存在的问题,并引入极值增量序列,研究了多重超阶分析方法。经试验验证所研究的新方法克服了原有方法的缺陷,可以提取出对故障状态变化更敏锐,区分度更好的故障特征参数。(3)研究了GRU结构的循环神经网络模型,针对行星齿轮箱实时故障诊断问题,利用其处理任意常度序列信号的能力,提出了一种新的智能实时诊断方法。在训练中引入了Dropout技术以降低方法对训练数据的要求。通过分割分类层参数,利用少量新故障数据微调已学习的网络参数,在保持原有识别能力的同时,快速实现对不同工况、不同类别的新故障的识别。最后通过试验数据验证了新方法的实时诊断能力。