现代工业生产随着科学技术的发展,作为主要生产工具的机械设备不断向复杂、高速、高效等方向发展,同时也面临着更加严苛的工作环境。齿轮箱是石化、电力、冶金、机械、航空航天等部门中使用最为广泛的机械部件,同时也是最易损伤的部件之一,其工作状态对于整个机械设备乃至整条生产线的运行有着重大的影响。因此,有效地诊断设备的运行状态和及时防止突发状况的发生是当前急需解决的问题。为此,本文以齿轮箱为研究对象,深入展开基于隐马尔科夫模型(HMM)的故障分类诊断方法研究,主要内容如下:1.从理论与工程两个方面阐述了选题背景与研究意义,着重综述了神经网络、支持向量机和隐马尔可夫模型等以计算机为核心的智能算法在故障诊断应用中各自的优缺点。针对齿轮箱的几何结构进行分析,介绍了振动信号的产生和传递,分析了齿轮在不同故障类型下的机理,仿真了不同故障模式下的振动信号,并了解掌握不同故障类型振动信号的时域和频域特征。2.针对振动信号非线性的特点,利用时域、频域和时频域三个方面提取不同的振动信号特征参数集来描述齿轮的状态。提出主成分分析法(PCA)、补偿距离评估技术(CDET)和改进补偿距离评估技术(MCDET)分别对提取的样本特征参数集进行特征约减,在损失状态信息较少的前提下,将高维的特征指标转化为几个综合的指标代表齿轮箱运行信号状态的绝大部分信息。3.介绍了 Markov链及HMM的基本概念和算法,讨论了 HMM的评估、解码和学习问题及基本算法。开展齿轮箱在不同工况下从时域、频域和时频域进行特征参数集的提取并约减处理,将约减后的特征参数集进行标准化及标量量化预处理,接着训练隐马尔可夫模型,最后对训练的不同工况的模型进行分类识别测试,以获取最佳训练模型。4.结果表明,改进补偿距离评估技术(MCDET)进行特征约减后的各工况的训练模型对测试样本的识别率均高于其它两种特征约减方法。