减速箱是港口起重机的重要运行部件,其运行状态对港口起重机的安全性和可靠性有着重要影响。为了防止减速箱突发故障,在工程上通常采用定时维修的方式。但是,由于减速箱故障存在偶然性且寿命分布较为分散,在此情况下,定时维修的方式容易造成“过度维修”和“维修不足”,因此,应当引入视情维修代替定时维修。而视情维修必须要有完善的状态监测技术和故障诊断算法作为支撑。本文着力于故障诊断算法的研究,基于当前处于研究热点的信号处理方法和机器学习算法,从减速箱振动加速度信号入手,以支持向量机为核心算法对减速箱故障诊断开展研究。主要解决了以下几个问题:(1)首先针对采集的振动信号信噪比较低的问题,利用S变换将时域信号变换到时频域,并在时频域中以奇异值阈值大小对时频信号进行重构,再利用S变换的逆变换完全无损的特性,将重构的时频信号变换回时域信号。通过上述一系列步骤,达到对原时域信号进行降噪的效果。从实验数据来看,采用本方法后,不仅能够有效去除添加的高斯噪声,还能对信号原有的本底噪声有较好的抑制。(2)其次通过对减速箱齿轮和轴承两大主要零部件故障机理的研究,本文提出了多类特征融合的思路。即从信号长期稳定性和对信号变化的灵敏度两个方面出发提取了4个时域特征;以齿轮啮合关系和轴承特征频率划分7个频段,提取每个频段的能量幅值与全频段幅值之比作为频域特征;通过分析EMD分解得到的IMF分量能量分布,最终提取IMF能量最为集中的前6阶IMF分量能量矩作为特征量。由上述三类特征共同组成17维的向量作为原始信号的特征,解决了传统单一类型特征训练的模型在一对多分类问题上识别率较低的问题。(3)由于17维的特征向量直接用于支持向量机模型的训练和识别具有较大的运算难度,因此引入主分量分析的方法对输入向量进行降维处理。本文通过对故障试验台采集的模拟故障信号提取特征后进行PCA降维,分别计算17维向量降低到不同维数后相对数据精度的保持情况,发现当17维降低到4维时仍能保持93%的精度,因此本文将PCA降维最终的输出维度确定为4维。(4)最后,将通过故障试验台采集的6类数据信号(包括3类轴承故障、2类齿轮故障、1类正常)各提取50组特征,得到300组特征样本。其中各取40组用于训练模型,另外10组用于测试模型。分别从运行耗时和分类正确率两方面测试不同的核函数和惩罚因子的组合,最后选定高斯径向基核函数与惩罚因子C=50为最优组合。本课题依托上海振华重工集团的减速箱试验台预制常见类型故障,分别对信号进行降噪处理、提取特征、多特征融合并降维,最后确定了支持向量机核函数与参数的最佳组合。对训练完成的支持向量机模型进行测试,分类正确率达到了93.3%,达到了预期效果。