摘要：在变工况齿轮故障诊断过程中,存在齿轮运行工况多变、故障样本数据少、数据分布性差异大和故障数据非均衡性等问题,导致传统的深度学习模型通用性差、诊断准确率不高。针对这些问题,提出了一种基于元学习技术的变工况齿轮故障诊断(VWFD)方法(模型)。首先,采用重叠采样技术,对齿轮的原始振动信号进行了重采样,增加了故障样本的数量;其次,对重采样的故障数据进行了短时傅里叶变换(STFT),将其转化为时频特征图,使其数据形式更加符合模型的输入,以便于后续提取更完善的故障特征;然后,将Inception模块引入到基于元学习技术的原型网络中,以提高其特征表达能力,获取更加全面的齿轮故障特征信息;最后,基于优化的原型网络,建立了各类故障的度量类原型,采用度量分类器进行了故障分类,对变工况下的齿轮故障进行了诊断;为了验证VWFD模型结构与Inception模块引入位置和数量的合理性,设计了一系列对比实验,并对实验结果进行了分析。研究结果表明:与采用其他故障诊断方法得到的结果相比,采用VWFD方法所得到的诊断精度更高,如在相同负载、不同转速变工况类型下的5-way 5-shot实验组中,VWFD的平均诊断精度高达91.26%,而支持向量机(SVM)、卷积神经网络(CNN)和原型网络(PN)的诊断精度分别仅有74.48%、87.22%和89.56%。