齿轮箱是机械设备中常见的传动系统,其异常往往导致设备不能正常使用,轻则产生经济损失,重则导致安全事故,研究针对齿轮箱的故障诊断技术意义重大。隐马尔科夫模型具有强大的时序建模能力,理论上可以处理任意时长的时序模式识别问题。本文将离散隐马尔科夫模型用于齿轮箱的故障诊断,围绕特征降维、模型优化开展了研究,主要内容如下:(1)针对非线性数据的特征降维,提出了基于单核核函数级联的方法,根据类内离散度和类间距之比对核参数进行优化,依次提取原始特征集的局部信息和全局信息,实验证明,该方法兼顾了特征降维和各类数据的可分性。(2)围绕离散隐马尔科夫模型初始观测矩阵的构造问题,考虑到针对单样本或单一类型样本进行的优化策略可能导致的模型退化等问题,构造包含典型样本和易误判样本的待优化样本集,利用粒子群优化算法对初始观测矩阵进行优化,采用本方法能获得更好的初始观测矩阵。(3)针对离散隐马尔科夫模型自适应性不足的问题,本文利用离散隐马尔科夫模型进行信息融合构造包含时序信息的新特征集,采用BP神经网路算法进行齿轮箱工况的识别。本方法结合了隐马尔科夫模型较强的时序建模能力和BP神经网络的自适应性,诊断精度显著提高。