王二化, 刘 颉

(1.常州信息职业技术学院 常州市高端制造装备智能化技术重点实验室，江苏 常州 213164，E-mail：wangerhua@czcit.edu.cn；2.华中科技大学 水电与数字化工程学院，武汉 430074)

齿轮是机械系统中常用的传动部件之一，已经广泛应用于航空航天、汽车和工程机械等行业[1]。在齿轮的长期使用过程中，由于主动齿轮与被动齿轮各齿之间的不断啮合和分离，容易出现冲击载荷和应力集中，进而导致齿轮出现裂纹和疲劳损伤，严重影响齿轮的性能和寿命，甚至导致整个设备的停机[2]。因此，亟需建立一套齿轮的故障诊断系统，提前感知齿轮的工作状态，为机械系统的维护和维修提供必要的信息。

齿轮的故障诊断主要包括特征提取和特征分类两个部分。常用的时频域故障特征提取方法包括短时傅里叶变换(Short time Fourier transform，STFT)[3]、经验模态分解(Empirical Mode Decomposition, EMD)[4]、EEMD[5]、小波技术[6]和变分模态分解(Variational Mode Decomposition，VMD)[7]等。其中，STFT采用固定形状和尺度的窗函数，难于同时保证信号高频和低频部分的精度；EMD和EEMD容易出现模态混合的问题；小波技术的主要问题是基函数的选择难度较高；VMD方法的局限性在于边界效应。可以看出，现有的各种信号处理方法各有优缺点，提取的特征也会纷繁复杂，千差万别，如何选择最优特征仍然需要丰富的工程经验。相对来说，相关系数法是一个可行的解决办法，通过计算故障特征与故障类型之间的相关性，并选择相关系数最大的几个特征作为故障特征。该方法可以得到与故障类型高度相关的故障特征，但所选故障特征之间的相关性仍然会造成信息冗余，进而降低故障识别的精度。……