齿轮及齿轮箱作为常用的调节转速和传递扭矩的旋转机械设备,不仅能够传递较大的功率和载荷,而且其传动的可靠性也较高。因此在金属加工产业、航空系统、交通运输工业、冶金制造等工业领域中应用十分普遍。齿轮正常运转与否将对机械设备的工况产生直接影响。由于齿轮通常在交变负荷下工作,其转速也相应改变,使得故障的产生更加频繁。传统的齿轮诊断往往经过有线连接的方式传递到上位机进行故障分析,对于在工厂环境下对齿轮进行监测存在较多不便。因此,本课题提出了一种无线监测系统的研究。对于齿轮振动信号,本文使用不同特征参数组成特征向量输入到参数优化后的概率神经网络（PNN）诊断模型进行故障类型的诊断,并且基于此种模式识别类型设计出了一套实时的无线齿轮监测系统。本文主要研究内容和研究方法有以下几个方面:（1）针对振动信号的非平稳、非线性特点,提出了将降噪后的传统时域、频域特征及小波包能量特征的形成组合特征的方法,并利用自编码器进行样本降维,使得提取的样本更加准确有效;在一定程度上减少了样本对于概率神经网络分类的影响,最后借助获取的齿轮故障样本实例验证,显示了该方案的有效性。（2）针对概率神经网络的模式分类效果往往受其平滑参数δ的影响,首先提出了采用改进的天牛须搜索算法优化概率神经网络（IBAS-PNN）的方案,实际表明,当该方案的训练率为100%,其预测效果相对不理想。因此采用改进的天牛须算法优化自适应概率神经网络（IBAS-APNN）的方案,通过对不同类型设置多个δi,对多个δi进行寻优。实际表明,该方案与其它优化模型相比拥有一定优势。（3）针对一般的齿轮诊断往往借助于采集卡采集数据,然后经过有线连接的方式传递到上位机进行故障分析,或者借助单片机来进行数据采集及发送。对于在工厂环境下对齿轮进行监测存在较多不便,无法有效的实现实时监测。而本课题提出借助于Lab VIEW软件以及树莓派等相关硬件设计实现一套无线齿轮故障识别系统。通过借助于Lab VIEW中MATLAB接口,将传统的时域、频域特征及小波包能量特征的特征提取方法和改进的天牛须算法优化自适应概率神经网络算法应用于齿轮故障监测系统中。整个系统集数据采集、远程控制、Access数据库存储、邮件报警、模式处理为一体。实际表明,该系统操作便捷有效,在一定程度上提高故障监测的工作效率。该系统不仅仅可以在齿轮故障诊断中应用,也可适用在其它类型的振动信号的监测中。