齿轮箱是机械传动中不可缺少的动力传递部件,在各类传动设备中应用较为广泛。齿轮箱的运行状态往往反映出机械传动设备的运行状态,并且齿轮箱一旦发生故障往往导致机械传动设备瘫痪,其中振动信号是齿轮箱故障特征信息的载体,因此对齿轮箱早期微弱故障振动信号进行故障诊断分析具有重要意义。本文以齿轮箱振动信号为研究对象,提出了采用字典学习提取齿轮箱的故障特征,以及采用支持向量机(SVM)对齿轮箱故障进行分类与识别的方法。通过分析齿轮箱的失效类型和局部故障振动特性,给出数学模型。其中齿轮和轴承是齿轮箱中最易失效的零件,当齿轮有故障产生时表征运行状态的振动信号往往会出现调幅调频现象的产生;当滚动轴承有故障产生时表征运行状态的振动信号往往会出现瞬态冲击成分,该冲击成分通常会快速衰减并具有周期性。针对故障信号通常体现出非线性、非平稳性的特点,选用字典学习算法对故障振动信号进行特征提取。首先介绍了字典学习算法基本概念,针对传统K-SVD算法在构造字典过程中,容易受到噪声干扰以及字典原子间相干性较大不足以表示信号内部结构的问题,提出了集合经验模态分解(EEMD)与低相干K-SVD相结合进行故障特征提取的方法。其次,将提取出的故障特征作为故障诊断分类器模型的输入,建立SVM齿轮箱故障诊断分类器模型,针对SVM分类器模型参数选取在一定程度上对模型的分类精度具有很大影响,且目前尚无统一选择标准的问题,提出了遗传算法与SVM的齿轮箱故障诊断分类器模型。最后以齿轮箱振动信号为研究对象,通过与固定基字典和传统K-SVD算法进行对比分析,实验结果表明EEMD与低相干K-SVD相结合进行故障特征提取的方法可以准确构建出匹配信号特征成分的字典,提高了信号重构性能,因而能够准确地提取故障振动信号的故障特征。通过遗传算法优化SVM参数可以避免人为干扰,自适应获取最优参数值,从而提高故障诊断的准确率。