随着现代工业和科学技术的飞速发展，机械设备不断向大型、复杂、高速和高效方面发展，自动化、精密化、复杂化程度越来越高，齿轮作为机械设备中用于传递运动和动力的关键部件，对其性能和传动质量的要求也越来越高，这就需要在实际使用中对齿轮进行严格的缺陷检测，以满足生产要求。　　在现代齿轮缺陷检测分析技术中，基于振动信号分析的方法彰显了其优越性。但由于现场工作中齿轮使用的环境比较恶劣，实际采集到的振动信号不仅包含了有用的齿轮传动信息和缺陷特征，而且混杂了大量的强背景噪声信号，而齿轮缺陷信号通常非常微弱容易被强噪声所淹没，不利于齿轮缺陷特征的提取，进而影响齿轮缺陷模式的识别。因此在齿轮缺陷检测分析中，缺陷特征提取和模式识别是亟待解决的两个关键问题。　　课题“基于分数阶小波变换和支持向量机的齿轮缺陷检测分析方法”以齿轮振动信号为研究对象，目的是研究一种对齿轮振动信号进行缺陷特征提取和缺陷模式识别的齿轮缺陷检测分析方法，使之能够在工况环境下快速地对成品齿轮进行检测并据此判断齿轮产品的品质和缺陷状况，研究内容包括以下几点:　　(1)首先从齿轮振动信号的产生机理出发，从动力学角度分析了齿轮传动的动态模型，通过理论计算分析了齿轮振动产生的主要激励源，并分析信号的调制现象和齿轮典型缺陷类型的信号时域和频域特征，为从齿轮振动信号中提取缺陷特征信息奠定了理论基础。　　(2)为了有效消除信号中混杂的背景噪声提取齿轮缺陷特征，提出了基于分数阶小波变换的齿轮缺陷特征提取方法。该方法通过将信号转换到分数阶小波变换域内寻找能量最佳聚集处实现背景强噪声消除，并通过小波包频带能量的计算提取信号缺陷特征。该方法将小波变换中的多分辨分析和分数阶傅里叶变换的时频聚焦性相结合，对含有背景噪声的齿轮振动信号进行消噪，克服了单一变换的不足，保证了时频分辨率的一致性和有效性，提高了齿轮缺陷特征提取的准确度。　　(3)由于齿轮传动系统结构复杂，缺陷形式多种多样，本文提出了基于支持向量机的齿轮缺陷模式智能识别方法。该方法利用粒子优化法优化支持向量机参数并将训练样本输入支持向量机进行训练，然后将测试样本输入支持向量机中进行识别，从而实现不同缺陷齿轮类型的分类和智能识别。该方法克服了齿轮缺陷检测中由于缺陷样本的不足导致分类精度差的缺点，提高了齿轮缺陷检测的效率和精度。　　(4)为了验证算法的有效性，开展了大量实验研究，包括齿轮缺陷检测分析关键算法的仿真实验验证，以及工况条件下实际现场齿轮振动测量实验，并将本文提出的齿轮缺陷检测分析算法应用到采集的振动信号分析处理中。实验结果表明，本文提出的齿轮缺陷检测分析方法，能有效提取齿轮振动信号中的缺陷特征，四组实验的支持向量机分类准确率分别达到了95.5％，97.8％，93.3％，95.5％，分类结果也与频谱特征分析的结果相同。同时对比实验表明，不采用分数阶小波变换进行背景强噪声滤除直接将上述原始信号进行小波包分解提取信号特征输入到支持向量机识别时，对于齿轮类型的分类准确率分别只有78％、70％、65％、82％，因此进一步表明本方法能有效滤除背景噪声，能更好地提取齿轮振动信号中的缺陷特征信号，分类准确度显著提高。