行走变速箱是联合收割机的重要传动部件,负责将发动机的动力传送到行走轮带动整机前进。联合收割机在田间的工况恶劣多变,行走变速箱承受的负载复杂,容易发生故障。行走变速箱的故障会严重影响农忙季节作物的收获效率,造成经济损失。因此开展联合收割机行走变速箱的状态监测和故障诊断研究有着重要意义。本文主要以联合收割机行走变速箱为研究对象,根据前期的疲劳试验观察变速箱受损情况,分析了变速箱常见的失效形式及其振动机理,为后续故障试验提供了参考依据。提出了基于遗传算法(Genetic algorithm,GA)优化的变分模态分解(Variational Mode Decomposition,VMD)特征提取方法,以及基于鲸鱼算法(Whale Optimization Algorithm,WOA)优化的核极限学习机(Kernel Extreme Learning Machine,KELM)故障识别方法。具体研究的主要工作及结论如下:(1)开展联合收割机变速箱常见故障分析及典型齿轮故障振动信号分析。为了解决联合收割机行走变速箱可能出现的故障,通过开展疲劳试验,观察实际工作后变速箱内的破坏情况,根据试验结果分析了行走变速箱常见故障类型和齿轮失效形式。为了获取故障变速箱的振动信号,人工设置了点蚀、崩齿、断齿等齿轮故障类型,搭建了行走变速箱故障诊断试验台,采集了不同工况下的故障振动信号,并且从传统的频谱图上分析了崩齿和折断的故障信号,以便与后续故障诊断方法形成对比。(2)开展基于GA-VMD的特征提取方法研究。针对VMD分解方法中参数选择导致的模态混叠问题,提出了以样本熵为适应度函数的遗传算法用来求解VMD中的最佳参数组合。实验结果表明,该方法获得的VMD分解参数能够有效避免模态混叠这一问题。在获得最佳分解层数=6和惩罚因子=1814之后,使用最佳参数组合对振动信号进行VMD分解。进一步获取每个本征模态分量(IMF)的样本熵。试验对比了VMD样本熵和EMD样本熵、小波包能量占比三者分别作为故障信号特征量,在同一分类器中的识别效果,试验表明采用VMD样本熵作为故障信号特征,其平均识别率优于EMD样本熵、小波包能量占比特征。(3)基于WOA-KELM的故障识别方法。针对KELM核参数和惩罚因子选择选择不当导致KELM准确率偏低的问题,提出了以WOA算法对两个参数进行寻优,确定了模型中输入的参数。获取每个本征模态分量(IMF)的样本熵,与时域、频域特征共同组成故障特征集,开展WOA-KELM与ELM、KELM等分类识别模型对比试验,试验结果表明,WOA-KELM模型具有最佳的识别率,达到96.4%。