行星齿轮箱在航天与工业等领域应用广泛。但因其运动复杂,运行环境较为恶劣且承受复杂交变载荷,各组成部件容易产生损伤导致失效。因而,有必要对行星齿轮箱的故障诊断进行研究。行星齿轮箱振动信号成分复杂,通过信号分析人工识别故障特征难度较大。为解决该问题,本文从模式识别的角度对行星齿轮箱故障诊断方法进行研究。如何提取稳定性好、敏感性及规律性强的特征,并利用特征实现行星齿轮箱故障诊断是本论文研究的重点。本文从实际问题出发,以行星齿轮箱为具体研究对象,针对齿轮与行星轮轴承常见的故障类型,首先研究了基于传统特征提取的故障诊断方法,针对特征空间高维与非线性的特点,采用了流形学习法与稀疏滤波法,提取敏感特征,同时解决了流形学习法中涉及的参数估计问题;其次,研究了基于自适应特征提取的故障诊断方法。论文的主要研究内容与创新成果如下:1、多域流形特征提取及应用:由于特征参量对不同系统的稳定性、敏感性与规律性不同,为保证特征的丰富性,针对行星齿轮箱振动信号,提取时域、频域统计特征参量;用局部均值分解法对信号进行了分解,提取时频分布能量特征。采用流形学习法对特征空间进行降维,提取低维特征,同时提出了一种新的参数估计方法:基于改进的虚假近邻点的参数估计法。该方法能够同时对本征维数与近邻域点数进行估计。最后,结合概率神经网络分类器,构建故障诊断模型,通过实验信号对方法进行了验证。2、时频分布能量特征稀疏优化:研究发现时频分布能量特征稳定性与敏感性相对较好,有望单独用于故障诊断。发挥变模式分解法分解速率快的优势,对信号进行分解,提取信号时频分布能量。考虑到不同的流形学习方法对特征处理的效果不同,为了进一步提取敏感特征,研究稀疏滤波法替代流形学习对特征进行优化。该方法不需要对本征维数与近邻点数进行估计,只需给出需要学习的特征个数,简化了敏感特征提取过程。最后,结合概率神经网络分类器,构建故障诊断模型,通过实验信号验证了方法的有效性。3、基于字典学习的稀疏分类:传统特征提取法应用广泛,效果良好。但需要依赖相关领域内的专业知识,特征提取缺乏自适应性。字典学习法可以用原始信号样本对字典进行初始化,能够对原始信号自适应提取特征,字典中每个原子即为典型特征。基于字典学习,提出稀疏分类方法,在一定的稀疏约束下,通过判断最小重构误差,对样本进行归类,实现故障诊断。整个模型不需要设计特定的分类器,模型结构简单,智能性高,采用传统字典学习与稀疏分解方法就可以实现。通过实验信号分析了字典学习时涉及的参数选择问题以及不同参数对模型故障诊断准确率的影响,为字典学习时的参数确定提供了参考,并最终验证了方法的有效性。4、基于卷积神经网络的时频图特征提取与应用:在变工况下,振动信号具有明显的非平稳性,特征频率具有时变性,传统时域与频域分析方法难以有效地提取故障特征频率;应用传统时频分析法进行分析时,存在时频精度低和虚假成分干扰等问题,识别难度大。为解决该问题,提出了基于卷积神经网络的时频图特征提取方法。该方法充分发挥了卷积神经网络在图像处理方面的优势,可自适应提取时频图特征,不需要考虑传统时频分析中存在的时频精度低和虚假成分干扰等问题,方法经实验数据进行了验证。