齿轮是机械设备中广泛使用的重要部件,它的损伤和失效常常导致传动系统或整机的故障,从而导致重大安全事故。因此,作为动力传递核心的齿轮箱装置的状态监测与故障诊断受到了越来越多的重视。而研究表明,齿轮箱故障的60%是由齿轮本体失效造成的,基于此,本文对齿轮故障的特征提取和模式识别技术进行了深入的研究。其主要研究内容如下: 第一,研究齿轮及齿轮箱振动噪声的产生机理,建立了齿轮振动的数学模型,在对影响齿轮振动的主要因素——轮齿刚度和传动误差进行详细探讨的基础上,分析了齿轮的大周期故障和小周期故障的频谱特征。 第二,系统地研究了齿轮信号的特征提取方法,用时域分析、频域分析以及解调分析等方法综合分析齿轮故障信号,对典型的大、小周期故障信号进行特征提取。 第三,研究了BP神经网络的算法原理及存在的问题,并对其进行了改进。采用改进的BP算法来训练神经网络,并对网络的拓扑结构及其训练参数的选择进行了分析。通过对典型大、小周期故障样本进行特征分析,构建了一个BP神经网络对提取的故障特征进行诊断。结果表明,将BP网络应用于齿轮的大、小周期故障的诊断是切实可行的。 第四,针对在实际工程应用中,难以获得用于神经网络训练的齿轮故障样本,而导致网络训练不足,诊断结果不准确的问题,引入了基于统计学习理论的支持向量机并用于齿轮的大、小周期故障诊断。与少样本情况下神经网络的训练结果比较。表明,在少样本情况下,支持向量机比神经网络具有更好的分类能力和推广性能,能满足实际工程应用中的诊断要求。