汽车的驱动桥位于传动系的末端,其基本作用是增大转矩、降低转速,改变方向。其中主减速器的运行状况直接影响了驱动桥的传动性能,它也是传动系中主要的振动和噪声源之一,在主减速器中,齿轮传动系统是产生噪声的主要原因。本文针对主减速器的特点,研究采用统计特征量及小波理论进行特征提取的方法,通过模式识别方法判别出主减速器的品质状态。论文从主减速器的结构和工作原理入手,通过建立主减速器中齿轮的简化振动模型,阐述了主减速器噪声的产生机理和来源以及噪声与振动的关系,分析了主减速器常见的故障类型及其原因。本文结合主减速器总成综合检测专机课题,针对主减速器运行过程中所产生振动信号的特点,研究了基于多种时频统计量和小波分析的主减速器振动信号的特征向量提取方法。综合检测专机采集振动数据,经过计算得出多种特征统计量如峭度系数、波形指标以及峰值指标等,由于此类参数主要依赖于信号的概率密度函数,可有效排除主减速器检测设备工况的影响而直接反映主减速器本身的状态。同时,利用小波理论对振动信号进行多层分解获得各个频段的信号,将信号在不同频段能量的分布通过能量谱表现出来,突出异响件特征。应用神经网络理论设计了主减速器质量状态的分类器,采用多种时频特征统计量和小波分解后的能量谱构成故障振动信号的特征向量,作为神经网络识别的输入向量。根据标准的输入样本与标准输出量确定网络的类型及规模,并对该网络进行训练,利用训练好的神经网络对主减速器总成进行诊断。本文通过实测信号的试验表明,选取均方根、裕度指标、峭度指标和六阶矩统计量以及db6小波基,对不同状态的振动信号进行特征向量的提取,然后输入到BP神经网络设计的分类器中,能有效的将主减速器总成品质的状态进行分类。