齿轮是汽车变速箱中最重要的零部件,而汽车变速箱是汽车传动系的主要总成,担负着将动力从发动机传递到车轮的重要使命。一旦变速箱的齿轮在汽车运行中发生异常或故障,就会导致变速箱失效而发生交通事故,危及人们的生命财产安全。因此,齿轮剩余寿命预测对保障汽车的安全行驶有着重要的研究价值和实际意义。迄今为止,使用疲劳累积损伤理论以及在其基础之上结合多模型协同仿真或者有限元分析等技术来进行汽车齿轮剩余寿命预测的方法使用得最为普遍。另外,一些学者还研讨并提出了运用复杂的数学模型和人工智能来预测汽车齿轮剩余寿命的方法。然而,当前的疲劳累积损伤理论并不是十分完善,还存在各种各样的缺陷,例如有时忽视了给汽车齿轮加载载荷的次序、没有对应材料的S-N曲线等。而基于模型的寿命预测方法的精度非常依赖所使用的数学模型,如果抉择的数学模型与真实情况不符合,此方法的精度将受到很大的影响。之前的基于人工智能的剩余寿命预测方法只是利用单一特征或者几个敏感特征最多只是使用主成分分析进行特征融合以作为判断标准,而且使用的人工智能算法一般为反向传播神经网络、径向基函数神经网络和支持向量机等前馈算法来预测寿命。但是单一特征受实验样件和工况影响较大,而几个敏感特征的趋势可能各不相同,预测精度会受到很大的影响,因此需要进行特征融合。主成分分析是一种线性降维算法,而汽车齿轮全生命周期振动数据往往具有非线性,使用该方法的处理效果可能不佳。而前馈算法输出只与输入相关而与其顺序无关,不适和处理与时间相关联的全生命周期特征。因此,本文选择适和非线性数据的流形学习算法与适和处理与时间相关联特征的深度递归神经网络来预测汽车齿轮剩余寿命。由于采集的汽车齿轮振动信号之中往往存在随机噪声,因而需要对其进行降噪处理,在去除其中噪声的同时还要尽可能地保留下故障冲击信号。本文首先介绍了奇异值分解和差分谱理论,并在已有的最大差分奇异值分解的基础之上进行了一定程度的改进,提出了分段自适应奇异值分解的降噪方法。最后使用此方法来为汽车齿轮箱故障仿真信号降噪,对比结果表明该方法比传统最大差分奇异值分解法具有更高的降噪性能。汽车齿轮振动信号的时域和频域特征在一定程度上能反应其状态变换趋势。但是,由于多个特征的趋势很大可能各不相同,并且单一特征受实验样件和工况影响较大,直接使用这些特征来判断汽车齿轮的运行状况往往是不太精确的。因此,需要对这些特征降维和融合。本文介绍了一些典型的流形学习算法。为了从中选择适合汽车齿轮全生命周期特征融合的流形学习方法,根据故障振动信号模型,模拟了汽车齿轮箱齿轮从正常到出现微小故障再到完全失效的渐变振动信号,提取了这些振动信号的时域和频域特征,然后将各种流形学习算法用于这些特征的降维融合。通过仿真处理结果对比实验,发现等距映射算法具有最好的降维效果。根据降维得到的汽车齿轮趋势融合特征,本文将利用深度长短期记忆神经网络来预测其趋势,从而间接地预测汽车齿轮的寿命。通过对比分析各种典型的递归神经网络,本文采用深度递归长短期记忆神经网络来预测汽车齿轮剩余寿命,其中研究了数据归一化方法、网络参数初始化方法和学习算法等。此外,本文提出了分段自适应奇异值分解、等距映射算法和深度递归长短期记忆神经网络相结合的汽车齿轮剩余寿命预测方法的具体流程。本文将分段自适应奇异值分解、等距映射算法和深度递归长短期记忆神经网络相结合来预测汽车齿轮剩余寿命。将该方法用于分析汽车齿轮箱齿轮从正常到出现微小故障再到完全失效的渐变振动信号以及齿轮接触疲劳实验所测全生命周期振动信号,仿真和实验结果均表明了所提方法的有效性。