本文提出基于Choi-Williams分布的谱峭度(CWD-SK)结合隐马尔可夫模型(HMM)的齿轮箱故障诊断研究方法,实现了齿轮箱中齿轮初始故障的特征提取,将CWD-SK作为特征向量输入HMM进行齿轮故障特征分类,最后通过实际数据进行仿真,验证了算法的有效性。本文主要内容包括振动信号预处理、故障提取和故障特征分类,具体工作如下:1.首先对ZS-65型齿轮箱的基本结构及其常见故障类型进行了详细介绍,包括齿轮的常见失效形式和基于振动信号分析诊断方法。对采集的齿轮振动信号首先进行局部均值分解(LMD)得到若干PF分量信号,通过分析各PE分量,筛选出带有明显故障特征信息的PF分量。2.对筛选出的PF分量进行CWD-SK计算,尽可能早的识别初始故障,挖掘原始信号中不易被发现的初始故障信息。当CWD-SK值大于等于3时,就认为设备开始出现了初始故障。相较于原始算法,减少了计算量,改进窗函数选择困难、存在交叉干扰项等弊端。3.通过齿轮箱的故障实验,基于CWD-SK用于故障特征提取,将HMM作为识别分类器。进而以CWD-SK提取到的故障特征序列,依次输入到HMM中进行故障识别。其中,以最大似然估计值来区别设备运行过程中产生的故障类型。与此同时,本文提出的方法与支持向量机(SVM)故障分类模型进行了对比。最终充分验证了采用HMM和CWD-SK二者结合起来提取故障特征序列的实效性,能够更好的对齿轮箱内故障工况进行特征提取与精确分类。