针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。

本文研究旋转机械非稳态信号的分析方法。对等时间间隔采样的齿轮箱振动信号，利用插值算法实现角城重采样。为了抑制与工频无关的噪声信号以提高信噪比，对重采样信号进行了角城平均。将倒频分析引入阶次分析中，以检测出功率谱中难以辨识的周期性。以上方法成功地识剐了齿根裂纹故障，说明了对旋转机械非稳态信号进行角域平均和倒阶次谱分析的可行性和有效性。

提出了一种基于数字信号处理器(DSP)和支持向量机(SVM)的风电齿轮箱故障诊断的方法。分解和提取了Libsvm代码移植于DSP芯片TMS320F28335,实现了支持向量机并应用于风电齿轮箱故障诊断。该方法较好地解决了小样本学习问题,同时又具有低功耗、低成本、通用性强和可实时控制的优点。实验结果表明,在保证较高预测正确率、运行速度较快和较大数据量读取前提下,Libsvm能够正确运行于芯片,有效应用于齿轮箱故障诊断。

基于LABVIEW的虚拟仪器平台建立数据采集系统，实现了对齿轮进行全生命周期实验过程中采集到大量振动信号数据，提出使用时域分析法(时域同步平均)与频域分析法(功率谱)相结合的信号处理方法对振动信号数据按齿轮可能出现的各种运行状态加以分类，从而有霞点的应用倒频谱法对已经出现故障的齿轮箱振动信号进行分析，倒频谱的边频带频谱识别能力有助于研究啮合频率及边频特征，进而准确诊断出齿轮故障性质，并定位出故障齿轮。

基于遗传算法的BP神经网络齿轮箱故障诊断实例 资源包含以下内容，下载即可运行 1) Sheffield的遗传算法工具箱； 2) Bpfun.m 表示BP神经网络函数 3) 遗传算法主函数.m 4) callbackfun.m 回代网格函数：将该初始权值和阈值回代入网络画出训练误差曲线、预测值、预测误差、训练误差等。 5) data.mat 齿轮箱故障数据 6) Objfun.m 求解种群中各个个体的目标值函数 注意事项，一定要将Sheffield遗传算法工具箱加载到运行路径中！ 运行过程时间有点长，请耐心等待！

根据齿轮箱振动信号非平稳、非线性的特点,采用局部特征尺度分解方法和倒频谱方法相结合的方式对齿轮箱故障进行诊断。采用局部特征尺度分解方法将齿轮箱断齿实验数据分解成一系列的内禀尺度分量,并对内禀尺度分量进行相关分析,去除虚假分量;将得到的内禀尺度分量进行倒频谱分析,提取出齿轮箱故障信息。仿真分析和实验分析结果表明,该方法对齿轮箱故障诊断有很好的效果。

针对目前齿轮箱系统在利用神经网络故障诊断时存在正确识别率低和依靠经验选择参数的问题，提出了基于粒子群优化BP网络的齿轮箱故障诊断方法。简要介绍利用齿轮振动原理提取特征参数建立故障模型，该模型以齿轮箱特征向量为输入、故障类型为输出，详细分析了通过BP神经网络、概率神经网络和粒子群优化BP神经网络实现齿轮箱故障诊断。仿真结果表明，BP神经网络对齿轮箱故障诊断收敛速度慢，故障识别率为82%；概率神经网络的模型故障诊断识别率依据经验选取spread值决定，故障识别率最大为98%；粒子群优化后的BP神经网络故障诊断分类识别率为100%且自适应能力强。

基于ITD和模糊聚类的齿轮箱故障诊断方法.pdf

基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法.pdf

在故障诊断时,需要从多方面获得关于同一对象的多维信息并进行融合,才能对设备进行更可靠更准确地诊断,以求得最佳诊断结果。以齿轮箱故障作为研究对象,提出了一种基于D-S证据理论和BP神经网络相结合的信息融合诊断方法,并进行了验证。首先利用BP神经网络对测量数据进行分析诊断,最后用D-S理论对诊断结果进行融合,结果满足需求,从而证明了D-S理论和BP神经网络相结合的诊断方法的实效性。