主减速器是汽车传动系统中的关键部件,其状态对车辆的舒适度和安全性具有直接的影响。由于主减速器复杂的内部结构,各零部件之间的关联非常紧密,当主减速器出现某一功能失效时,可能是由于同时出现了多种故障。现有的主减速器故障诊断方法主要针对单故障进行诊断,无法准确地识别出多故障模式。近年来,随着人工智能技术的发展,以信号处理为核心的传统故障诊断技术逐步转变为以机器学习为核心的智能故障诊断技术,能有效提高故障诊断的智能化水平,在故障诊断领域取得了一定成果。然而,为了实现主减速器单故障和多故障的智能诊断,仍然存在一些关键问题需要进一步研究,包括:针对所采集的强噪声环境下的主减速器振动信号,如何在有效降噪的同时避免高频特征成分的过度平滑;针对非线性、非平稳的高维降噪信号中的复杂特征成分,如何提取能反映主减速器状态的微弱故障特征;针对已标记故障样本缺乏的问题,如何获得准确、完备的样本集用于训练智能故障诊断模型;由于难以采集到所有可能出现的多故障样本,如何构建一种主减速器智能故障诊断模型,同时实现单故障和多故障模式的智能诊断。基于此,本论文提出了一种能同时识别单故障和多故障模式的主减速器智能故障诊断方法。本学位论文围绕强噪声环境下的主减速器智能故障诊断方法的应用研究问题,从强噪声环境下振动信号的降噪、非线性非平稳微弱特征的提取、未标记故障样本的半监督学习以及主减速器单故障与多故障模式的智能诊断等方面展开研究。本学位论文的主要研究内容包括:(1)针对强噪声环境下的主减速器智能故障诊断问题,为了避免部分高频特征在降噪时被作为强噪声成分而被过滤掉,提出了一种基于自适应稀疏树结构的降噪方法,有效提高所采集振动信号的信噪比。首先,基于不同尺度小波系数之间的相关性,实现基于结构化稀疏的树结构小波估计;然后,为了在降噪过程中有效保留多种信号特征,利用双树复小波变换从原始振动信号中检测出特征点位置;最后,以此作为自适应调整树结构正则化权值的依据,收缩覆盖特征点位置的系数组所对应的正则化权值。(2)为了提高智能故障诊断方法的诊断精确度,提出了一种基于三阶段多核学习框架的非线性监督特征提取方法,用于降低信号维度,提取出能反映主减速器运行状态的非平稳、非线性的微弱特征成分。三阶段多核学习框架从基核函数的选择、基核函数的组合以及算法效率三个方面进行了改进。首先,构建一个包含多种类型核函数的候选基核函数集,以保证提取信息特征的多样性;然后,将三阶段多核学习框架与基于空间转换的非线性特征提取方法相结合,实现了非线性监督特征提取。(3)针对已标记故障样本缺乏的问题,为了获得准确的、完备的样本集用于训练智能故障诊断模型,提出了一种基于聚类判别流形正则化框架和极限学习机的半监督学习模型,对大量无标记样本的故障类别进行半监督学习,扩充训练集以提高智能故障诊断模型的泛化性。首先,将样本集的聚类标签与配对约束正则化相结合,提出了基于聚类判别流形正则化的半监督学习框架;然后,结合极限学习机在学习速度上的优势,提出了一种基于聚类判别流形正则化框架和极限学习机的半监督学习模型;最后,为了提高该模型的性能,提出了一种多目标果蝇算法用于优化半监督学习模型的参数。(4)由于难以采集到所有可能出现的多故障样本,为了同时实现单故障和多故障模式的智能诊断,构建了一种以单故障样本作为训练集的配对稀疏贝叶斯极限学习机智能故障诊断模型,并应用于主减速器的智能故障诊断中。首先,基于稀疏贝叶斯极限学习机的概率输出特点,使用单故障样本并采用配对策略训练基于配对稀疏贝叶斯极限学习机的分类模型;然后,同时使用单故障和多故障样本,并利用粒子群优化算法生成最优决策阈值;最后,利用最优决策阈值将分类模型生成的输出概率向量转换为最终的故障模式,实现对单故障和多故障模式的识别。