李 勇，钱尼君，陈星斌，黄荔生，彭献永

(1.江西省特种设备检验检测研究院，南昌 330029；2.腾羿数据(上海)科技有限公司，上海 200240；3.上海交通大学 电子信息与电气工程学院，上海 200240)

0 引言

齿轮传动系统的主要机械振动通常归因于齿轮故障，包括磨损/折断的齿或不平衡的齿轮，并可能导致系统故障。众所周知，对于不同的故障类型，其影响将以不同的频率出现。准确而自动地评估其性能下降有两个重要方面：特征提取和故障分类器。Randall[1]提供了有关齿轮诊断技术的综述。目前，循环平稳性分析方法来诊断旋转机械中的齿轮已经被广泛采用。振动信号的频谱分析也已经用以检测齿轮中的剥落。

通常，在机器故障的情况下，测得的振动信号可能会出现不平稳的现象。因此，时频分析方法，如小波变换方法和希尔伯特-黄氏变换(HHT)被用来观察信号时变特性。Saravanan等[3]使用Morlet小波提取齿轮箱的故障特征作为SVM模型输入。Wu and Chan[4]通过小波变换和人工神经网络开发了齿轮故障识别模型。Peter等[5]利用小波分析和包络线检测进行轴承故障诊断。Peng等[6]比较了改进的希尔伯特-黄变换和小波变换在滚动轴承故障诊断中的性能差异。Lei和Zuo[7]用EEMD产生敏感的本征模态函数(intrinsic mode function,IMF)，用于旋转机械的故障诊断。Fan和Zuo[8]利用本征模态函数提取机器故障特征。Yu等[9]用希尔伯特-黄变换的时频熵方法进行齿轮故障诊断。Yang和Wu[10]用EEMD方法和PCA来诊断齿轮性能退化。

机器的故障信号通常显示出很高的复杂性，许多研究人员利用机器学习来识别机械运行状态故障。……