齿轮箱是车辆用来调节转速和传递扭矩的旋转机械设备,其是否正常运行将直接决定车辆能否正常工作。而齿轮箱又长时间运行在高转速、重载荷的条件下,更容易出现各种类型的损伤,这就会影响车辆的正常运行,进而带来严重的经济损失甚至人员伤亡,因此对齿轮箱的运行状态进行实时监测及故障诊断就变得很有意义。本文按照信号采集、信号处理、故障识别三个步骤实现齿轮箱故障诊断。研究内容如下:(1)分析齿轮箱故障类型及振动机理确定本文研究方案。对齿轮箱的结构特点、故障类型、故障机理以及故障特征进行分析;对齿轮箱传感器优化布置以及故障诊断的常用方法进行了总结,并且结合实际需要,明确本文的研究方案。(2)构建一种基于故障可诊断性的齿轮箱传感器优化布置方法。针对目前在传感器优化布置时对齿轮箱可能发生的故障信号是否能被识别与分离研究较少的情况,将故障可诊断性应用于齿轮箱传感器优化布置中,并运用奇异值比值、故障可诊断性、平均加速度幅值三个评价准则构成的综合指标评价不同布置方案,最终确定最优传感器布置方案。首先,对齿轮箱进行模态分析,提取模态振型;再运用K均值聚类算法根据自由度在重要模态中振型的动力相似性进行分类;其次利用有效独立平均加速度幅值法初选测点;然后,在这些节点位置处测得可能出现的故障信号,对其进行快速傅里叶变换,得到相应故障的频谱图,利用核密度估计求取对应故障的密度函数,再利用K-L散度判断各位置处的故障可诊断性;最后,运用综合指标评价,确定最优方案。通过ZDH10型齿轮箱故障诊断试验台验证了所提方法的可行性。(3)构建一种信息熵和合成峭度优化的变分模态分解(variational mode decomposition,VMD)和粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)的轴承故障诊断方法。目的是为了实现齿轮箱中轴承故障的精确诊断,并解决变分模态分解参数人为确定的问题,该方法首先运用信息熵与合成峭度倒数乘积的最小值原则对VMD参数分别进行优化,再由优化的参数对原始信号进行分解,然后从分解得到的本征模态分量(intrinsic mode function,IMF)中选取信息熵与合成峭度倒数乘积最小的IMF作为最佳IMF,再对其提取故障特征构成特征向量,并结合PSO-SVM进行故障分类识别。最后,运用仿真信号和实际轴承数据试验,并与已有方法对比,表明该方法具有较高的识别率。