机械设备在工业社会起着不可被替代的作用,当机械设备发生故障时,将会引发重大的事故,对人员与经济造成不可挽回的损失。因此对机械设备进行故障诊断与状态监测具有十分重要的意义。齿轮箱作为机械设备的重要组成部分,对齿轮箱的故障诊断也有着十分重要的意义。在齿轮箱故障诊断与状态监测过程中,决定着故障诊断精确度的因素是特征提取,传统的故障诊断方法主要是依据人工提取特征,将被提取出的特征输入浅层学习网络进行故障识别,从而完成故障诊断。但是传统的故障诊断方法过于依靠专家的经验,人为因素过多。同时机械设备的齿轮箱故障诊断与状态监测又面临着大数据的问题。传统的故障诊断方法就显得力不从心。本文将针对以上问题,以实现大数据环境下齿轮箱智能化精确的故障诊断为目标,深度学习中的堆叠自动编码机与卷积神经网络为研究手段,完成以下工作:(1)研究浅层学习与深度学习结构的特点,深度学习与浅层学习之间的联系与区别。(2)研究堆叠自动编码机网络的工作原理并设计一个堆叠自动编码机网络,将其与总体局部均值分解方法,粒子群优化算法相结合进行齿轮箱故障诊断研究。本研究方案在实验中得到了94.2%的准确率。(3)构建不同深度的堆叠自动编码机网络,得出四个隐含层为最优自动编码机深度,与输入层和输出层相结合构建六层深度的堆叠自动编码机网络。将网络与主成分分析方法相结合进行齿轮箱故障诊断的研究,完成数据瘦身与深度学习网络自动特征提取与状态识别的工作。本研究方案在实验中得到96.4%的准确率。(4)研究卷积神经网络的组成与各层功能及工作原理。结合卷积神经网的特点与二维图像数据的特点,构建一个将一维信号自动重构为二维信号并输入卷积神经网络自动完成故障诊断的网络模型。网络模型将每个数据样本内所含的1936个数据点重构为4444?的二维矩阵数据,并将重构的二维数据输入到含有一个输入层,两个卷积层,两个池化层,一个全连接层和一个分类器的七层卷积神经网络中,以此完成端到端的齿轮箱故障诊断方法。本研究方案在实验中得到99.7%的准确率,真正实现了大数据环境下,脱离人为因素的齿轮箱智能故障诊断方法。