随着信息技术的发展和现代装备制造业的进步,机械装备不断朝高速化、大型化、智能化方向发展,机械装备的工作环境恶劣,工况复杂,多系统相互耦合,在长期服役过程当中,其状态监测信息呈现出典型的“体量浩大、多源异构、生成快速、价值稀疏”的大数据4V特征。因此,“大数据”背景下的机械装备故障诊断与健康管理呈现出“三高”特点:(1)需要高容量的大数据存贮能力;(2)需要高效实时的数据处理能力;(3)需要高强的多源异构适应性。针对“大数据”下的数据特点,为了解决齿轮传动系统振动信号自适应故障特征提取与智能诊断问题,论文的主要工作如下:(1)提出了一种结合卷积神经网络(convolution neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)的故障诊断方法,实现端到端的故障模式分类。首先,将一维振动信号标准化划分数据集后作为CNN卷积层的输入,利用大卷积核自适应提取短时特征。同时,通过池化层的最大池化操作,保留特征信息,降低数据维度后作为LSTM层输入;然后,利用长短时记忆网络层在学习特征信息方面的优势,训练神经网络模型;最后,网络输出层利用softmax函数实现多故障模式识别,完成故障诊断;(2)针对深度神经网络模型超参数选择困难的问题,提出基于网格搜索算法的深度神经网络故障诊断方法,用以解决变工况、变转速下的故障诊断。首先利用网格搜索算法自动优化神经网络学习率和批大小初始参数,然后将变工况数据集输入CNN-LSTM神经网络模型进行故障诊断,最后,讨论了不同取值的初始超参数对模型计算结果的影响。(3)针对齿轮传动系统故障诊断困难的问题,在原有的CNN-LSTM神经网络模型基础上提出了一种基于K折叠交叉验证算法的齿轮传动系统多状态识别方法。首先将样本数据集划分为训练子集、验证子集和测试子集;然后交叉训练验证样本数据,调整并得到较优模型参数;最后测试集测试模型性能输出最终计算结果,并通过齿轮传动数据集验证了该方法的有效性。