齿轮箱工作中受外部环境干扰时，其故障特征易被噪声淹没。因此对故障信号进行特征提取是齿轮箱故障诊断的重点和难点。本书从三个方面阐述故障特征的处理方法。在降噪算法上，通过对原有方法的自适应改进，分别提出自适应基于短时傅里叶变换的维纳（AWT-STFT）滤波器方法、自回归滑动平均模型和多点最优最小反褶积调整（ARMA-MOMEDA）方法及自适应奇异谱分解（ASSD）方法。针对时频分析技术中存在模态混叠的问题，优化奇异谱分解方法，提出基于多目标粒子群优化算法的自适应变分模态分解（VMD）方法、基于自适应混沌灰狼优化（CGWO）算法、SG滤波器和改进的拉普拉斯高斯（SGMLoG）滤波器算法。在智能故障诊断方面，提出基于复合多尺度极差熵的轴承故障特征提取方法及基于多局部均值的零阶自主学习多模型分类器（MLMALMMo-0）的滚动轴承故障识别方法。此外，还基于自适应稀疏谱分解变分模态分解（ASSD -VMD）方法对滚动轴承的早期故障进行诊断与分析、基于自适应滤波短时傅里叶变换（AWF-STFT）与自适应奇异谱分解方法（SSD）对齿轮箱故障进行诊断与分析。
本书可供从事齿轮箱设计、使用和维护等相关领域工作的技术人员学习参考，也可供相关技术人员在日常齿轮箱设计、实验、维护等工作中使用，还可作为从事齿轮箱应用技术工作的工程师的工作指导书。
展开
