【摘 要】本文针对不同齿轮故障振动信号的时域能量分布差异性，提出了一种基于局部均值分解（LMD）和神经网络相结合的齿轮故障诊断方法。通过对齿轮正常状态、磨损故障和断齿故障的分析表明，LMD方法与神经网络的诊断方法能按频率由高到低把复杂的非平稳信号分解成有限个PF分量，具有自适应的特点。

【关键词】齿轮；故障诊断；LMD；神经网络

齿轮箱作为工业生产设备的关键部件，其故障发生率较高，因此对齿轮进行故障诊断和监测具有重要意义。目前，齿轮故障诊断的方法大多是将原始信號进行分解，然后通过功率谱分析，如小波包与功率谱结合、经典模式分解（EMD）方法与功率谱结合等，这些方法虽然可以减小噪声干扰，提高信噪比，但EMD方法中存在过包络、欠包络、模态混淆、端点效应、IMF判据和没有快速算法等问题[1-2]，因此识别效果不是很好。

局域均值分解（LMD）方法是近年由Jonathan S. Smith提出的一种新的自适应时频分析方法，该方法可以将一个复杂的、具有多个瞬时频率成分的原始信号分解为若干个瞬时频率为非负、且具有一定物理意义的PF分量之和。因此，LMD方法在处理齿轮故障振动信号中非常适用[3]。

本文将LMD方法与神经网络结合起来，对齿轮进行故障诊断分析。首先利用LMD方法对齿轮振动测试信号进行分解和特征提取，以得到若干单分量的调幅调频信号。然后，将不同频带内信号所包含的故障信息的能量比作为特征向量进行提取，并通过神经网络对齿轮的工作状态和故障类型进行分析。……