微车NVH性能是微车品质诊断中的一个重要指标,而微车主减速器故障的振动又是微车的主要的振动和噪声的来源,因此可以通过传感器来获取主减速器的振动信号,然后对主减速器的振动信号进行分析。通过信号分析技术,可以从隐含主减速器故障信息的信号中提取出能表征故障类型的特征向量,结合神经网络等模式识别,完成对微车主减速器的故障类型进行识别。希尔伯特黄变换(Hilbert-Huang Transform:HHT)是一种新型时频分析方法,该方法适合分析非线性非平稳信号,而且具有自适应性和适合突变信号等优点,因此可以通过该方法对微车主减速器信号进行分析,从而提取出所需要的特征向量。但是,该方法仍然存在端点效率等问题,有必要通过端点延拓方法来抑制端点效应,从而得到更好的分解效果。本文首先分析了设备故障诊断和神经网络的研究现状,然后阐述了对微车主减速器齿轮进行诊断的基本步骤,同时对几种信号分析方法进行了分析,针对短时傅里叶、Wigner-Ville分布以及小波分析等几种传统的时频分析技术在原理和优缺点上进行了说明。接着分析了Hilbert-Huang变换算法的相关概念及基本原理,通过实验验证了Hilbert-Huang变换的有效性和完备性,接着通过与应用广泛的小波分解的分解和重构过程进行比较,说明了Hilbert-Huang变换的优势。由于通过三次样条插值过程中拟合的包络线容易在端点处失真,Hilbert-Huang变换过程中会产生端点效应,特别是对短时序列进行分解时,容易导致分解结果失去意义,因此有必要对EMD端点效应问题进行抑制。本文分析了镜像延拓、神经网络延拓、支持向量机延拓等几种性能较好的抑制端点效应问题的方法,并且通过对具有代表性的仿真信号进行分析,说明了支持向量机延拓能够更加有效的抑制端点效应问题。最后通过支持向量机结合Hilbert-Huang变换对微车主减速器振动信号进行分析,从而提取出能够表征齿轮故障信息的IMF能量特征向量,将模式空间经过特征提取映射到特征空间。通过建立Elman神经网络对主减速器齿轮故障进行诊断,将特征空间映射到类型空间,完成齿轮故障类型智能诊断。通过实验验证了这一方法的可行性,从而将其应用到微车主减速器品质诊断中。