行星齿轮箱是机械传动系统中不可缺少的关键部件,一旦发生故障,就会破坏设备的正常运行,甚至造成更严重的后果。随着对机械设备安全性要求的不断提高,关于行星齿轮箱故障诊断问题的研究具有重要的战略意义。行星齿轮箱的物理运动结构复杂、工作环境恶劣,导致其自身的故障诊断难度增大。本文以行星齿轮箱太阳轮为研究对象,依托实验室风力涡轮动力传动系统故障诊断实验平台设计实验。在基于机器学习的故障诊断方法基础上,针对样本特征集维数不断增高导致分类准确率下降的问题,进行基于特征降维技术的行星齿轮箱故障诊断研究,研究内容如下:(1)在应用支持向量机(SVM)进行故障分类的前提下,针对高维数据导致故障分类准确率低的问题,提出了一种基于多准则特征选择和核主成分分析(KPCA)相结合的混合降维算法。首先,为减轻计算负担和不相关特征对故障诊断的影响,采用多准则融合特征选择算法进行特征筛选。之后,采用KPCA算法再次进行维数约简,获得信息密度大的低维特征子集。最后将低维特征子集输入到SVM分类器中进行故障识别。将该方法应用到本文设计的行星齿轮箱故障诊断实验中,实验结果表明,基于混合降维算法的故障诊断方法提高了行星齿轮箱故障分类的准确率,并且其性能优于单独使用特征选择或核主成分分析进行降维的故障诊断方法的性能。(2)当应用基于稀疏表示的分类方法(SRC)进行故障分类时,为提高故障诊断的实时性和分类准确率,加入了改进核主成分分析(IKPCA)和字典学习算法。考虑到稀疏表示理论要求所用到的字典应满足字典原子的数量要远远大于字典原子的维度这一条件,提出了一种IKPCA的降维算法。首先,将信号段的时域特征和频域特征组合成特征向量来表示一个样本,这减少了计算负担并提高了故障分类的实时性。其次,样本特征集经过IKPCA变换转换成信息密度大的低维样本集,这有助于提高故障分类的准确率。之后,利用训练样本进行字典学习获得高质量的过完备字典,利用基于稀疏表示分类的思想完成测试样本的故障分类。最后,通过本文设计的行星齿轮箱故障诊断实验验证了所提方法的有效性。