行星齿轮箱在保障机械设备安全高效的运转中,起着非常重要的作用,为了避免不必要的损失,在工程实际中往往需要对其进行实时监测以及定期维修。当行星齿轮箱发生故障时,测得的信号通常具有非平稳、非线性、非高斯分布的特性。而高阶统计量理论在处理此类信号时,可以有效地消除信号中的高斯噪声,在反映信号故障特征的同时,还能够提取信号中的耦合成分。本文以三级行星齿轮箱为研究对象,展开基于高阶谱理论的行星齿轮磨损故障诊断识别方法研究。主要涉及以下四方面的研究工作:(1)对高阶统计量理论进行了介绍。详细描述了高阶矩和高阶累积量的定义及区别;介绍了高阶谱的定义,同时对双谱和对角切片谱的性质进行了仿真信号的分析和验证;(2)对行星齿轮箱的结构与振动信号降噪算法进行了研究。介绍了实验所用行星齿轮箱的结构、相关特征频率等;介绍了小波降噪算法理论,将改进Bayes阈值降噪算法应用于齿轮振动故障仿真信号和实际磨损故障信号的降噪中。实验结果表明:本文改进的Bayes阈值降噪算法提高了信号的信噪比;(3)对行星齿轮磨损故障特征提取方法进行了研究。介绍了EMD理论以及IMF分量选取规则;将选取后重构信号进行对角切片谱分析。实验分析结果表明:EMD-对角切片谱算法能够有效的提取出齿轮的故障频率、啮合频率以及相关的调制频率等,能够判断出齿轮故障,且优于双谱算法、单独使用对角切片谱和传统的功率谱算法;(4)提出了对角切片谱-Elman神经网络齿轮磨损程度识别方法。介绍了Elman神经网络理论,参数的设置以及输入、输出向量的要求;提取采集的行星齿轮不同磨损程度的特征频率处幅值作为Elman神经网络的输入特征向量,对其进行训练和识别。结果表明,对角切片谱-Elman神经网络方法能够对行星齿轮的磨损程度进行有效的识别。