滚动轴承是汽车变速器的重要组成部分和主要故障来源之一,其运行状态的直接影响到整个变速器的安全性能。变速器轴承运行工况复杂,其故障信号中存在非平稳、非线性、信噪比低等特点,这将增加故障特征提取的难度,进而影响到故障诊断的准确性。研究轴承故障诊断技术,对于提高变速器性能,降低维修成本具有重要的理论意义和应用价值。本文主要关注变速器轴承故障诊断的三个重要方面:定转速工况下轴承的故障诊断,变转速工况下轴承的故障诊断和早期轴承故障特征提取。在恒定转速下对轴承进行诊断时,利用谱峭度对瞬态冲击信号具有快速检测能力的优势,采用基于快速谱峭度和共振解调相结合的滚动轴承故障诊断方法,但是该方法不能用于解决变转速工况下轴承的故障诊断问题。为了解决这个问题,采用了基于样条调频小波变换和阶比谱分析相结合的方法实现变转速轴承故障诊断。为了进一步实现轴承故障诊断决策,提出了基于流行学习和s-k-means聚类相结合的轴承早期故障特征提取方法。上述方法通过实验数据验证具有良好的诊断效果。具体做法如下:(1)基于共振解调原理的滚动轴承故障诊断方法。首先利用快速谱峭度算法处理轴承振动信号为滤波器的设计提供详细的参数,并进行相应的滤波处理,然后将经过滤波处理的信号进行包络解调分析提取故障特征频率,从而完成故障类型识别。(2)基于样条调频小波变换的变转速轴承故障诊断方法。利用样条调频小波变换的时频分析方式从故障轴承的振动信号得到瞬时频率进而获得瞬时转速曲线,最后通过阶比分析的方法实现变转速工况下轴承的故障诊断。(3)基于流形学习和s-k-means聚类的滚动轴承早期故障特征提取。首先计算原始时域轴承振动信号的初始特征集,然后通过特征选择和流形学习的降维方式得到低维且有效的特征,最后采用s-k-means聚类算法处理故障特征矩阵,自动获得最佳聚类数,从而快速准确的实现故障类别的划分。