当代机械设备发展的方向是朝着设备生产自动化、运行高效化、结构的复杂化和大型化，这使设备与设备的联系也更加的密不可分。机械设备一旦有某一部分出现故障，就会影响整个生产系统的运行，直接或间接造成的损失会成倍的增加，由此可见设备的高可靠性、低故障率以及高安全性对现代工业生产的重要性。在机械设备中，齿轮传动是最为广泛的传动方式，同时它具有传动比恒定不变、传动结构紧凑、传递扭矩大等特点。防止因其故障而导致机械设备停止运行，延长设备工作时间，因此对齿轮传动系统的运行检测和故障诊断，并及早的预测和发现故障，对提高经济效益有重要意义。 本文提出将流形学习算法与RBF神经网络相结合的齿轮故障诊断方法。针对齿轮振动信号，集合经验模式分解（ EEMD）可以对信号自适应地进行分解，从而可以得到信号的时域以及频域的局部信息，所以，本文用EEMD的方法来提取信号当中的故障特征，组成故障诊断的原始特征量。由于，该方法所提取的原始特征量具有较高的维数和信息冗余的缺点，会影响RBF神经网络对特征的分类和识别。流形学习算法当中的局部切空间排列算法（ LTS A ）是一种解决非线性数据结构的算法，进行复杂信号的维数约简。将LTSA与EEMD相结合可以很好的提取振动信号中的特征量，为此，本文提出一种基于集合经验模态分解与流形学习相结合的特征提取方法：首先，利用EEMD对收集的齿轮振动信号数据进行自适应分解，并利用分解所得的本征模态分量（ IMF ），计算出这些IMF所对应的协方差矩阵特征值，将特征值构成齿轮原始特征集；然后进一步的利用LTS A对原始特征集除冗提取，得到新特征量集；最后，将其输入到已经训练好的RBF神经网络中进行齿轮故障识别。 本文还分析齿轮振动的机理与特征，介绍在故障诊断领域当中人工神经网络的重要应用。建立RBF网络模型，通过采集的齿轮振动信号，对基于流形学习算法与RBF神经网络相结合的齿轮故障诊断方法在齿轮故障模拟试验台上进行验证，同时还建立小波包-R B F诊断模型，将两种诊断结果对比，结果表明LTS A与EEMD相结合的特征提取效果较好，在故障诊断领域中具有广泛的应用前景。
展开▼
