伴随现代工业发展,齿轮普遍使用在工业设备中。然而由于齿轮故障导致机械不能正常工作的问题经常发生,智能故障诊断就至关重要。目前故障智能诊断领域存在的问题是典型故障样本数量不够多。但是支持向量机算法能够在故障的特征信息情况有限前提下,最大程度地寻找已有数据中隐含的分类信息。从故障诊断的推广性角度来说,支持向量机算法对齿轮故障诊断这种实际问题更适合。本文以齿轮作为研究对象,应用支持向量机算法,进行齿轮故障的模式识别。通过优化支持向量机参数,提高诊断精度和推广性,并建立故障诊断系统,实现齿轮故障的智能诊断。论文主要开展的研究工作如下:(1)齿轮常见故障类型机理研究和故障振动特性分析。应用国外高校数据库中四种负载情况下正常、断齿、磨损、断齿+磨损的齿轮的振动数据,对四种负载下四种工况数据进行时域频域下的信号分析,确认齿轮振动信号中的故障频率成分。(2)无量纲参数与小波包分解重构提取频带能量结合的特征参数提取方法研究。该方法能有效地区分齿轮不同故障的特征,并作为支持向量机的输入特征向量,为后续支持向量机识别齿轮箱故障模式提供有效正确的特征参数。(3)支持向量机参数的选取影响着故障分类器的分类性能。探讨了支持向量机重要参数的选取原则和函数类型的选择、核函数参数的选择、惩罚函数优化选择对故障分类精确度的影响。提出了基于应用网格搜索算法、粒子群优化算法和遗传算法对支持向量机分类器参数优化的方法,并对网格搜索算法进行了改进,提高了寻优速度。通过对比分析分类精度、分类时间,确定将改进后的网格搜索算法应用于支持向量机分类器参数寻优;通过未知齿轮振动数据的诊断研究,证明了该分类模型具有较好的泛化能力和推广性。(4)利用支持向量机算法构建齿轮故障诊断模型,形成了齿轮故障诊断系统。通过齿轮箱故障信号验证了诊断系统操作的准确性和有效性。通过以上的研究,把齿轮各种状态下的特征数据,输入到改进的网格搜索算法优化后的支持向量机分类器模型里,能够很好地诊断齿轮状态。因此本文将支持向量机算法应用于齿轮故障诊断与状态监测有良好的现实意义。