研究内容为齿轮变速箱。
变速箱健康监测和动力系统诊断结果的有效表示仍然具有挑战性。本文以齿轮箱为例，提出了一种利用深度学习将一维时间序列分析诊断结果转化为故障类型和图形说明的图形图像的新方法。具体地说，小波分析将时间序列转换为时频图像。接着，深度卷积神经网络（DCNN）从这些图像中学习时间-频率域中的基本特征并执行故障分类。齿轮箱试验结果表明，该方法的精度和效率优于99.5%。
文献中报道的大多数技术利用由传感器获得的振动信号进行故障分析。
齿轮箱振动谱中最重要的组成部分是齿面啮合频率及其谐波，以及由调制现象引起的边带。这些边带的数目和幅度的增加可能表明故障的发生和恶化。传统的获取振动光谱的方法有快速傅立叶变换（FFT）和短时傅立叶变换（STFT）。已经表明，FFT不能揭示非平稳信号的动态特性，而STFT不能同时在时域和频域中获得满意的分辨率。近年来，由于小波变换的多频特征定位能力，小波变换的时频分布比传统方法更能有效地识别频率变化。
故障检测和故障严重性分类
本文将小波分析和深度卷积神经网络（DCNN）结合在一起进行齿轮箱故障严重性分类。使用具有深神经结构的小波变换的优点是双重的。小波变换能够在时间-频率域中表示时间序列数据，有效地捕获故障相关的频率分量。dcnn作为一个翻译器，利用基于小波系数的二维图像转换，可以挖掘和提取与故障严重程度相关的图像深层特征，并最终对振动数据进行分类。
小波变换是一种能够以多分辨率表示信号的方法。在故障发生的早期阶段，与故障相关的振动分量很小，需要高灵敏度的推导。已经表明，时间-频率分布在检测此类故障中是有效的。此外，不同的故障会产生不同持续时间的振动分量。由于小波变换使用不同的窗口大小，所有的组件都可以同时显示。
图1（a）示出了在3600hz基础上调制的具有2个齿轮啮合频率分量（160hz和420hz）和白噪声的模拟振动信号。齿轮啮合频率420Hz和160赫兹清晰可见。
因此，利用小波变换和深度学习的优点，提出了一种混合式健康状态监测系统。利用小波变换将齿轮箱振动信号转换成时频图像。这些对应于不同故障类型的图像可能不同，因为故障的特征频率不同。但是，如果这些图像属于相同的故障类型，但不同的故障严重程度，则很难通过视觉检查来区分，因为边带振幅的差异可以容易地被周围的频率分量（例如啮合频率分量）所掩埋，振幅较大。
它的体系结构被调整以学习图像的基本特征并对其进行分类。通过对不同故障类别的图像进行训练，得到了网络参数。利用小波变换将即将到来的振动信号转换成图像，用dcnn进行分类，形成有效的健康状态监测系统。
本文以安装在轴与壳体之间的4个振动传感器的振动数据为数据集，对其进行了采集和分析。三种不同的严重程度是通过在牙根上加一个轻微的和中等的裂纹，以及一个断牙造成的。模拟裂纹如图6所示。表1列出了用于模拟的四类故障
