齿轮作为旋转设备的核心零件,自身结构和运行环境较为复杂,因此在运行过程中经常出现磨损甚至断裂的状况,致使整个机械设备发生故障。不仅经济上遭受损失,严重时会威胁人身安全。因此,齿轮的故障诊断具有重要的实际意义。声发射技术是从材料缺陷本身发出的动能来检测的方法,并且对故障敏感度高,可以实时检测,因此将声发射技术应用在故障诊断领域受到越来越多的关注。故障诊断中,机械系统运转背景噪声会对声发射信号产生干扰,使故障特征难以提取,而特征提取中如何选取合适的特征参数代表齿轮的状态也是关键问题,这都会导致故障特征诊断受到极大的干扰。本文以齿轮为对象,研究了基于声发射技术的故障诊断中特征自适应提取的问题,论文主要工作如下:1.进行了齿轮磨损故障声发射信号检测的模拟实验研究。针对声发射信号中包含的背景噪声,提出了采用自适应分解信号的方法去噪。通过构造齿轮故障的仿真信号,利用经验模态分解、集合经验模态分解、变分模态分解三种方法对信号对比分析,确定齿轮磨损故障声发射信号的分解方法。2.分析变分模态分解中模态个数k和惩罚因子α对信号分解影响的重要程度,并利用灰狼优化算法改进参数选取的问题。利用相关系数原则,增加重构信号的有效性。3.针对齿轮声发射信号特征提取的问题,采用支持向量机递归特征消除的方法对特征参数自适应进行重要度排序,并且将此方法选出的特征向量集与随机选取的特征向量集、全部的特征向量集通过支持向量机对比三种方法的识别准确率。4.针对齿轮故障分类问题,利用支持向量机对实验数据进行分析,在此基础上,对支持向量集中核参数g和惩罚因子C选取问题,利用粒子群算法优化支持向量机的分类性能。