齿轮作为动力传动系统的核心部件,对其运行状态进行监测和诊断具有重要意义。传统的研究思路为已知某种故障类型,根据某种信号处理方法进行故障检测,能够达到很好的效果。现实中,面对实际齿轮箱故障类型未知,各种故障随时可能发生的危险,单一对某种故障进行监测存在极大不足,同时,在复杂的齿轮箱系统中,多对齿轮同时啮合,形成强大的背景噪声,为齿轮早期微弱故障的特征提取造成了极大不便。本文试图以复杂的传动系统作为研究对象,从齿轮常见故障类型出发,分析常见故障类型的故障机理,研究复杂环境下的齿轮故障特征提取方法,延续传统研究思路,从各个角度提取常见故障类型故障特征,最后通过机器学习方法,根据所有能够表征故障的特征信息作为机器学习输入,训练正常样本,得到正常样本在高维空间张成的分界曲面,把未知类型样本作为待检测样本,达到实时在线监测、判断的目的。主要结论如下(1)针对齿轮的调制特点,在带通滤波的基础上,用希尔伯特变换解调法提取调制信号特征,用实际直升机振动数据验证,具有明显的诊断效果。(2)针对复杂环境下的齿轮振动背景噪声强,研究了基于周期的时域同步平均方法原理,在刘红星的基础上提出用提高采样频率的方法,可以极大地提高平均次数,同时有用信号不会得到很大衰减。此外,分析了相位误差累计效应,提出在转速波动的情况下,用基于时标的角域平均能够起到很好地平均效果,得到的角域同步平均信号具有较高的信噪比。(3)针对时域同步平均信号中啮合频率及其谐波能量较大的特点,齿轮微弱故障特征往往被这些主要能量成分所淹没,提出用残余信号的方法进行微弱故障特征提取,给出了残余信号的提取方法,以及用幅值域分析方法对实际齿轮副进行了分析,结果表明,相比直接用时域同步平均信号进行幅值域分析,残余信号具有更高的故障灵敏度。(4)针对齿轮故障发生具有非平稳特点,用小波降噪的方法对环境随机噪声进行了降噪,通过齿轮故障发生的调幅调频特点,仿真了调幅调频信号在高斯噪声的情况下,用小波阈值对其进行了降噪处理,分析了不同阈值准则、不同母小波函数以及分解层数对小波阈值降噪的影响,结果表明,采用heursure规则为佳,选用sym8母小波以及分解层数为4-6层时,降噪效果最好。同时,用连续小波变换的方法对实际振动数据进行了分析,运用各尺度下能量特征提取的方法进行了故障特征提取,用欧氏距离的方法比较了同种类型以及不同类型齿轮特征向量之间的欧氏距离。针对齿根裂纹故障,提出用时域同步平均的方法进行连续小波变换、能量特征提取具有很好的诊断效果,相比用小波去噪方法,时域同步平均方法具有更好的诊断效果。同时,针对齿根裂纹故障或者在啮合频率处无表征的故障类型,用残余信号的连续小波变换、能量特征提取的方法具有更好的诊断效果,此方法针对不同传感器测点之间的同种类型齿轮,仍然具有较好的分辨能力。最后,用残余信号的小波包分析方法进行了故障诊断,实验结果表明,在计算时间少的前提下,用残余信号的小波包分解以及能量特征提取,采用欧氏距离比较的方法与用连续小波分析方法具有同等诊断效果,对于实时监测诊断具有重要价值。(5)针对实际工程故障样本难以收集等样本不对称情况,提出无须长时间进行故障指标门限值统计的支持向量机一类学习算法,对正常样本进行训练,其他类型样本作为待检测样本,达到实时诊断的效果。文章提出,对于在啮合频率无表征的故障类型,用基于残余信号的小波包分解、能量特征提取的支持向量机一类学习方法进行机器学习,具有较高的判断准确率,对于在啮合频率有表征的故障类型,采用基于TSA信号的小波包分解、能量特征提取的支持向量机一类学习算法进行机器学习,具有较高的判断准确率。