齿轮传动是机械传动的主要形式。齿轮是机器的基础件,其质量、性能、寿命直接影响整个机器设备的技术经济指标。齿轮箱在机械传动中的运行工况一般较为复杂恶劣,齿轮箱在机械设备中非常容易出现机械故障。齿轮裂纹又是齿轮传动系统中最常出现的故障类型之一。齿轮裂纹不易察觉并且危害极大。故障诊断一般分为两个部分:故障特征信号的提取和诊断分类。在故障诊断的过程当中由于故障振动信号含有其它未知信号,不能够直接获取齿轮箱的故障振动信号,需要对信号进行相应的降噪预处理。粒子滤波算法是通过蒙特卡洛模拟进而实现最优贝叶斯估计的滤波方法,它的基本原理是通过样本粒子来模拟系统模型并按时间顺序向前传播,由此得到各时刻对应的系统状态样本,从而求得与系统近似的状态后验概率密度函数。本文通过径向基粒子滤波(Particle Filter of Radial Basis Function)对提取的信号进行滤波去噪,为后面的诊断分类作预处理。径向基粒子滤波消除了过程噪声引起的估计误差,提高了先验概率密度分布估计精度,避免了粒子匮乏,使粒子滤波的性能得到了提升。粒子群是利用粒子的合作与竞争而逐步演变成的群体智能优化方法[1]。针对具体的工程实际问题的优化,首先需要把实际工程问题转化为对应的数学模型,然后初始化所涉及到的粒子群优化算法的参数,提出该工程问题的适应值函数[2]。最后依据设定的适应值函数的误差精度评价优化参数,选取满足适应值函数精度时数学模型的各个参数。带有惯性因子的标准粒子群优化算法搜索速度快、结构简单、全局与局部收敛能力强和易于实现的特点。粒子群优化算法替代易陷入局部极小、收敛速度慢的梯度递减法(也称BP算法)而得到粒子群优化小波神经网络学习算法[3]。它优化了小波神经网络中的各个参数,在齿轮箱故障诊断实验中,该优化算法减少了迭代次数、提高收敛精度,是小波神经网络的有效训练算法。本文将径向基粒子滤波与粒子群优化小波神经网络相结合,在齿轮箱故障检测的研究中,不但充分利用了径向基粒子滤波良好的降噪效果和处理非高斯非线性系统的优势,而且充分利用了粒子群优化减少迭代次数和提高精度的优势。