微车主减速器是保证微车动力和安全的关键设备,其运行状态对微车的行驶与控制具有直接影响。目前国内外许多专家学者已经针对主减速器的故障诊断展开了研究,许多算法诸如BP神经网络、支持向量机等已经被广泛应用于主减速器故障的模式识别中,并取得了不俗的成果。主减速器的故障诊断实质上是通过机器学习对机械的某些信号进行识别的过程,通常情况下,需要经过故障信号的特征提取、故障的分类识别和诊断结果的评价等过程。随着深度学习算法研究的不断深入,以深度学习为基础的分类算法逐渐被应用于各种实际应用中,如图像处理、模式识别以及数据挖掘等。相比于传统的分类算法,深度学习能够通过发掘数据内部的一些特征或结构,对数据实现分类。本文围绕深度学习的算法及应用对其进行研究,并以深度信念网络为核心进行深入的探讨,将深度信念网络应用于微车主减速器的故障诊断中,主要研究内容包括:1.分析生产车间中微车主减速器常见的故障类型,采集振动信号作为诊断的基础,并针对主减速器振动信号中维数过高的问题,采用核主成分分析法进行特征提取,降低信号的维度,提取其有效特征。2.对深度信念网络的原理及步骤进行介绍,针对深度信念网络中一些参数的设置问题,讨论参数对模型性能的影响,并通过控制变量法进行实验研究,寻求深度信念网络的最佳参数设置。3.针对不同类别的故障样本之间存在类类间的交叉或重叠现象这一问题,将深度信念网络与KNN算法结合,采用一种KNN-DBN的故障诊断模型,将KNN算法用于诊断模型的测试阶段,讨论KNN算法中K的取值对实验结果的影响,并将结果与DBN模型进行比较分析,证明在参数合适的情况下,KNN-DBN故障诊断模型能够有效提高个别故障的识别率,从而在整体上提高了模型的诊断精度。