城市轨道交通能够减少交通拥堵、能源损耗及空气污染等问题,具有快捷、高效等优点,给人们的生活带来了便利。在轨道交通日益受到青睐的情况下,列车安全问题不容忽视。齿轮箱作为车辆动力传动系统不可缺少的部件,其运行状态直接影响车辆的安全性能。因此,通过实时监测手段及时准确地获取齿轮箱的运行状态,并预测其剩余寿命,从而有针对性、预测性地制定维修计划和管理决策,对保障轨道车辆安全可靠运行、防止事故的发生具有重要意义。本文针对齿轮箱故障诊断及剩余寿命预测进行了系统的研究,主要内容如下:(1)研究了齿轮箱振动信号的特征提取方法。本文利用局部均值法将原始信号分解成若干单分量信号,避免了经验模态分解的过包络和欠包络问题;针对有效单分量选择问题,提出将能量占比及各单分量与原始信号间的相关性作为衡量指标,并提取有效单分量的特征值;最后,应用主成分分析法对特征值降维,实现多角度融合。(2)研究了基于循环平稳统计量的齿轮箱故障检测法。本文提出将不同特征频率处的谱相关密度函数最大值突变情况作为轴承早期故障点识别的依据,并结合CUSUM理论实现了轴承早期故障点检测;为解决实际数据受噪声干扰的问题、降低计算量,采用谱相关密度组合切片分析法分析了轴承的故障特征;将循环自相关函数和等高线图应用于实际数据故障检测中,有效的分析了齿轮不同故障的特征,并与以往算法对比分析,验证了循环自相关函数具有较强的解调性。(3)建立了基于变量预测的齿轮箱故障分离模型。本文将拉普拉斯分值作为特征值的选取依据,选择合适的变量,降低了特征值对模型预测精度的影响;为解决传统变量预测模型易受"异常值"影响的问题,采用稳健回归法对模型进行参数估计;以最小估计误差值为衡量指标确定最优模型类型和阶数,建立了变量预测模型。最后,通过对比分析不同故障分离方法的性能,验证了变量预测模型的准确性和高效性。此外,对不同故障状态下特征值的敏感性做了初步探讨。(4)研究了基于半监督协同训练的齿轮箱剩余寿命预测算法。本文提出将PSO-BP神经网络和支持向量回归结合,基于半监督理论进行协同训练,该算法兼顾不同算法差异性的同时解决了现有故障数据缺少的问题;充分考虑到衰退过程中特征值的变化率,采用两点特征值作为算法的输入,并对BP神经网络参数及结构进行优化设计,提高了寿命预测的精度。最后,与以往算法在性能上对比分析,证明了半监督协同法具有较高的剩余寿命预测精度和较强的泛化能力。