机械设备的健康运行是保障经济效益、避免人员伤亡的必要条件。轴承及齿轮作为工业机械重要部件,关乎整个机械系统的健康状态。针对齿轮箱而发展设备状态监测和故障诊断技术显得尤为重要。由于振动信号传递路径复杂,致使传感器采集信号呈非线性、非平稳性,加之环境噪声干扰等因素,信号特征提取变得愈发困难。数学形态学基于随机集论和积分几何,适用于非线性、非平稳分析。本文考虑了形态滤波器、形态谱在齿轮箱故障信号中的分析能力,并使之与宽度学习网络结合获得良好的机器诊断效果。论文主要研究了以下内容:(1)提出了级联黑白帽变换形态滤波器用于提取滚动轴承的冲击成分,自适应地选择冲击方向。传统的差分滤波器仅考虑提取冲击成分,而未考虑冲击方向,这就致使当存在冲击频率耦合时产生频率混淆现象。由于信号总体能量基本保持不变,频率耦合导致能量分散,更易淹没于噪声之中。本文提出了一种新的方法,通过白顶帽变换和黑底帽变换识别冲击方向,并使之修正差分滤波器所提冲击方向。仿真试验表明,级联黑白帽变换形态滤波器提取冲击成分频率与原信号一致,避免了差分滤波器的频率耦合现象。将其与迭代形态学相结合,通过滚动轴承故障诊断试验,其结果表明频谱成分更为清晰,验证了该法能够避免频率混淆带来的能量分散并有效地提取故障成分信息。(2)提出将形态谱(Pattern Spectrum,PS)与宽度学习(Broad Learning System,BLS)相结合的轴承、齿轮故障诊断方法。现有深度学习将识别模型建立在多层堆叠信息处理模块中,其参数更新需要逐层修正。当结构不足以对系统建模时,深度学习需要完整的再训练过程。信号的特征提取,一方面可以对数据进行压缩,降低数据维度,提高模型的训练速度;二是可以降低噪声的干扰,提高模型的训练精度。本文提出将级联黑白帽变换形态滤波后的形态谱与宽度学习相结合的缺陷识别方法,通过形态谱构造振动信号的低维特征映射,并将构造的数据建立BLS的故障诊断模型。滚动轴承故障诊断试验结果表明,该方法能够有效地提取信号故障成分,识别故障类型,提高识别精度。