齿轮作为大型机械设备中传递动能和调节转速的常见零部件,对设备的安全运作起着关键作用。为了满足工业生产需求,齿轮经常需要运行在过载、高温、高压等恶劣条件下,从而导致齿轮极易发生故障,而一旦发生故障则可能导致整个机械设备停机。齿轮故障的特征信息大部分包含在齿轮故障发生时产生的振动信号中,因此如果能从振动信号中提取尽可能多的表征故障的特征信息,进而对特征信息进行去冗余和分类,就能实现齿轮故障的准确识别,从而保证设备运行过程的安全性和稳定性。本文以齿轮为研究对象,首先分析齿轮的振动特性及常见故障,研究齿轮振动信号多域特征提取,提出基于全局监督拉普拉斯分值(Global Supervised Laplacian Score,GSLS)和核主成分分析(Kernel Principal Component Analysis,KPCA)的级联特征降维方法以及基于粒子群优化的二叉树核极限学习机(Particle Swarm Optimization-Kernel Extreme Learning Machine-Binary Tree,PSO-KELM-BT)多故障识别方法,设计融合特征降维和故障识别的齿轮故障诊断系统。本文主要研究内容如下:(1)齿轮振动特性分析及多域特征提取研究。首先分析齿轮振动特性及常见故障类型,然后采用多域特征提取方法分别提取各类故障类型下振动信号的时域、频域及时频域特征,构建高维特征集合,用以表征各故障类型的特性,并作为特征降维处理的数据基础。(2)基于GSLS和KPCA的级联特征降维研究。针对LS方法近邻图参数难以设定以及过度依赖样本局部结构信息的问题,提出一种融合数据类别信息及全局结构信息的GSLS方法,以获取规模小、区分度高的特征子集;在特征子集的基础上,结合KPCA特征融合方法,进一步剔除特征子集的冗余信息,以降低特征集合维度。实验结果表明,提出的级联特征降维方法能够结合LS和KPCA的优点,有效地提高特征子集的区分度。(3)基于PSO-KELM-BT的多故障识别方法研究。针对KELM准确率偏低的问题,提出一种基于单分类方式的KELM多分类算法,该算法基于提出的融合类内距离及类间距离的混合可分性指标,将训练数据按“一对其它”的方式分割分别训练KELM二值分类器,并使用二叉树法将所有分类器整合成一个多分类器,以提高分类器的分类准确率;为解决KELM参数设置问题,引入PSO算法对模型进行参数寻优,进一步提高算法的分类准确率。实验结果显示提出的算法在分类准确率上高于其它同类算法。(4)特征降维和故障识别在齿轮故障诊断中的应用研究。研究融合参数监测、特征提取、特征降维和故障识别技术的系统分层架构,设计齿轮参数监测、振动信号分析、特征提取、特征降维、故障识别模块,以可视化界面的形式展示各模块处理结果,实现齿轮故障诊断系统。运行结果表明提出的方法在齿轮故障诊断中得到了很好的应用。