杜丽君，丁 康，蒋 飞

(华南理工大学 机械与汽车工程学院， 广州 510641)

实际生产中，齿轮不可避免地存在制造或安装误差，长期使用后容易产生磨损、断齿、轴不对中等故障，且由于齿轮箱结构复杂，内部故障难以直接观察判断。齿轮系统振动信号中蕴含着丰富的信息，故而近些年来基于振动信号分析的故障诊断方法获得了大量的关注并快速发展。

不同于传统的信号处理方法，如经验模态分解(EMD)[1]、小波变换(CT)[2]、局部均值分解(LMD)[3]、倒频谱[4]等，稀疏分解方法旨在通过构造与信号本身固有特性较为符合的字典和求解稀疏系数来重构故障特征信号，由于其在一定程度上考虑到信号本身的特性，能更有效地提取故障信号特征，学者将其用于齿轮箱的故障诊断中，取得了较好的成果。在单一故障诊断方面，Peng等[5]提出一种多尺度线调频基信号稀疏分解方法，实现了变转速下齿轮断齿故障的诊断。程军圣等[6]改进了自适应最稀疏时频分析方法，并结合阶次分析实现了变转速下齿轮断齿故障特征提取。Wang等[7-8]提出平均随机正交算法以及双增强稀疏分解方法，用于齿轮或轴承的瞬态故障提取及诊断。宋昌浩等[9]利用遗传算法优化匹配追踪的信号稀疏分解算法找出过完备字典中的最优原子，实现了齿轮箱点蚀故障的识别。Cui等[10]基于信号的特征波形构造原子库，并结合匹配追踪算法，实现了齿轮单一类型故障特征提取。李蓉等[11]将线调频基稀疏分解方法和数据驱动时频分析方法结合并应用于变转速齿轮故障诊断中。……