互联网+时代,随着中国制造2025的提出,工业生产已向着网络化、智能化方向迈进。齿轮作为重要的传动元件,在工业生产中扮演着重要角色。近几年,为了减少人力对齿轮设备进行维护与管理带来的成本和误差,齿轮故障诊断和剩余寿命方法已成为研究热点,而大多数研究基于解析模型,主要通过构造观测器估计系统输出,然后将其与输出的测量值作比较从中取得信息,这种模型往往需要建立精确的系统性模型,但随着齿轮等设备复杂化,无法建立这种模型,也就不能进行正确的故障诊断和剩余寿命预测研究。针对此问题,本文提出基于数据驱动的方法,研究的主要工作:利用从齿轮、齿轮轴承中所获得的正常和模拟的振动信号,通过贝叶斯算法来进行齿轮故障诊断和轴承剩余寿命预测,细分如下:(1)通过离散傅立叶变换(FFT)对齿轮振动信号进行特征提取,统计每个特征值,运用降维和决策树J48算法找到最佳特征数量,再使用朴素贝叶斯和贝叶斯网络分类器,对二者的分类精度比较,最终找到优越的特征分类器。其中朴素贝叶斯方法获得了83.74%的分类精度,并利用混肴矩阵进行分类器验证。(2)利用获得的齿轮轴承振动信号,再基于改进贝叶斯推理算法对其进行剩余寿命预测(RUL)。在RUL的研究中,主要是由加速度计拾取、采集齿轮箱中的轴承振动信号,从小波阈值去噪中提取健康指标,然后对指标采取线性降维方法和特征累计。最后,利用改进的贝叶斯推理算法进行轴承RUL预测,并且应用该算法到QPZZ-II平台进行实验。获得了93.49%的平均精度。