齿轮传动系统作为航空零部件中比较重要的部分,其工作状态往往直接关系到整个飞行器的性能,考虑到航空齿轮传动设备常工作在比较苛刻的条件下,运行速度快,载荷大,为航空零部件中最容易损坏的部分之一。因此对齿轮传动系统的运行状态以及故障类别进行辨识具有非常重要的意义。鉴于此,本文的研究工作主要包括了以下几个方面:针对航空齿轮其微弱故障信息单从信号的时域和频域难以判别的问题,本文在时域,频域特征基础上增加小波域,以及变分模态分解(Variational Mode Deco mposition,VMD)分量熵值等附加特征。针对大量的特征值采用了迭代自组织数据分析-二进制粒子群(Iterative Selforganizing Data Analysis-Binary Particle Swarm Optimizer,ISODATA-BPSO)特征筛选算法,达到选择出最优特征子集具有最小冗余的效果。实验分析对比了几种不同特征选择算法,从实验结果展示的二维特征分布图中可看出,该特征选择算法具有较好的应用效果。航空齿轮对安全性要求极高,文中采用了支持向量数据描述(Support Vector Data Description,SVDD)模型对航空齿轮传动系统进行了新异类检测。在支持向量数据描述的理论基础上,对基于不同核函数的支持向量数据描述算法的性能进行了对比,并分析了各种核函数的应用范围和优缺点,最终提出了基于高斯核函数的支持向量数据描述算法。除此之外,高斯核函数中的核参数和SVDD算法中惩罚因子的选择对算法性能具有较大的影响,文中还利用了变异粒子群(Variable pa rticle swarm optimization,VPSO)对惩罚因子与核参数进行参数寻优,并将寻优前后的结果做了对比,实验结果表明,优化之后的SVDD具有较高的检测精度。在设备新异类检测完成的基础上,本文采用了WSOM(The Weighted Self-org anizing Feature Map)对设备进行状态识别以及复合故障状态的识别。基于SOM神经网络的基本理论,本文对SOM算法初始权值的设置以及权值更新方式进行了优化,采用了“正态概率分布”权值初始化,来减少SOM神经网络出现“死神经元”的情况,并修改了SOM网络中权值更新方式来提高神经网络的性能。并将优化前后的SOM神经网络性能进行了对比,从实验结果看出:优化之后的WSOM在对设备具有更高的精度以及较好的时效性。