齿轮箱作为机械设备中的关重部件,其运行状态对整个机械设备的安全可靠运行意义重大,如果发生故障,轻则影响整个机械系统的运行效率,重则造成重大的安全事故。因此,开展齿轮箱故障诊断技术,准确识别齿轮箱故障模式及程度,对及时安排维修,保障机械系统安全运行,避免重大事故的发生具有非常重要的意义。在实际应用中,识别故障严重程度能够帮助用户了解设备运行状态的发展趋势,安排合适的维修方案和检修策略。随着近些年大数据,云计算和人工智能的兴起,齿轮故障诊断朝着智能化的方向发展,对齿轮故障类型的诊断识别被广泛研究,但在实际应用中,识别齿轮故障严重程度还是诊断领域的一个挑战。因为齿轮在高速运转过程中存在很多非线性因素,因此选择与故障程度具有单调关系就至关重要,其次针对实验中没有足够多的故障程度样本数据,需要借助仿真模型构造足够的故障程度样本来诊断不同的故障程度,最后利用足够多的故障程度特征样本去训练诊断模型对故障程度进行准确识别。首先,本文基于布鲁塞尔自由大学的齿轮研究中心的齿轮模型,分析齿轮箱零部件,借助三维建模软件SolidWorks建立故障齿轮箱模型,联合多体动力学仿真软件Adams对故障齿轮箱进行动力学仿真。其次,采集仿真振动信号,提取特征之后,利用排序互信息(RMI)和标准互信息(SMI)筛选出对故障程度具有单调一致性和对不同工况具有鲁棒性的特征集合。再次,筛选得到的仿真特征集与实验特征集经迁移学习后,得到扩容样本集合。最后,提出了一种基于自适应惯性权重粒子群优化的小波核极限学习机(SAPSO-WK-ELM)智能故障诊断系统,对扩容特征集合进行故障程度的识别,从而完成本文目的。通过模型仿真分析,能够准确得到不同故障程度下的齿轮箱振动信号,提取不同工况下的特征集合,经过迁移学习之后,输入小波核极限学习(WK-ELM)进行分类识别,与原始特征进行对比。对比结果表明,不同工况特征集经过迁移学习后,能够有效识别不同的故障程度,并且明显比原始特征集分类效果要好,以此证明迁移学习的有效性。通过自适应粒子群优化的小波核极限学习机(SAPSO-WK-ELM)与其他优化的小波核极限学习机进行对比,结果表明,本文提出的优化算法能够得到更高的分类准确率,以此验证了SAPSO-WK-ELM在识别齿轮故障程度方面的有效性。