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。本书从三个方面来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滤波器(AWT-STFT)方法、自适应ARMA最优最小反褶积(ARMA-MOMEDA)方法及自适应奇异谱分解(SSD)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算法和SGMLoG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。最后，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、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)对齿轮箱故障进行故障诊断的案例分析。

更多科学出版社服务，请扫码获取。