动力传动系统作为国防和国民经济领域广泛应用的一类重要技术装备,其安全性可靠性至关重要。齿轮与轴承等动力传动系统关键部件,由于长期连续工作在高载荷、高转速下,容易受到损害和出现故障,其损坏往往会导致传动系统无法运转。研究实用、可靠的传动系统关键部件故障预测技术,实现主动的故障预测,是预防故障、保持动力传动系统战备完好性的技术基础,其研究意义重大。论文以“十一五”部委级预研课题“装备动力传动系统状态实时监控与故障预测技术”为背景,针对动力传动系统关键部件存在故障演化规律分析与建模和故障预测方法的不足,系统分析了动力传动系统关键部件主要故障机理与故障演化规律,对其故障演化规律进行建模分析研究;在此基础上深入研究了小波相关特征尺度熵特征信息提取技术和动力传动系统关键部件HSMM退化状态识别与故障预测技术。研究成果对于提高动力传动部件故障预测能力具有重要的参考价值和指导意义。论文的主要研究内容包括:1.动力传动系统关键部件故障机理分析与建模在系统地分析动力传动系统关键部件齿轮与轴承的主要故障模式和失效机理及其故障演化规律基础上,利用故障演化过程中退化状态与HMM都是通过观测值来感知其状态的共同特点和HSMM能合理的描述故障演化过程退化状态驻留时间这一特性,建立了故障演化规律HSMM模型,为动力传动系统关键部件故障预测技术的研究奠定了基础。2.动力传动系统关键部件故障预测技术研究(1)为解决退化状态识别与故障预测的特征信息提取问题,研究了小波相关特征尺度熵特征信息提取技术。特征信息提取直接关系到退化状态识别的准确性和故障预测的可靠性,而噪声是影响特征信息提取的最主要障碍,论文基于小波熵理论的基本思想,引入小波相关滤波降噪方法,并将该方法与Shannon信息熵原理相结合,定义了一种新的小波熵概念—小波相关特征尺度熵,进而提出了一种新的用于状态识别与预测的特征信息提取方法—小波相关特征尺度熵特征信息提取方法。研究表明该方法较一般小波熵特征提取方法更能有效、综合的表征设备运行状态,为设备退化状态识别与故障预测的特征信息提取提供了一种新的有效途径。(2)为确定设备当前所处的退化状态以及预测设备的剩余使用寿命,研究了动力传动系统关键部件HSMM退化状态识别与故障预测技术。首先深入研究了HSMM应用于退化状态识别与故障预测时存在如何恰当选择模型初始参数、下溢和模型泛化等问题,提出了一种基于HSMM状态识别与故障预测的模块化训练算法。基于此研究了HSMM在动力传动系统关键部件退化状态识别与故障预测中的应用方法,通过实例验证了该方法的可行性和有效性。进一步地,为提高状态识别与预测的精度,充分利用多类传感信息,从多源信息融合的角度出发,将KPCA方法引入,进行多通道特征信息融合,基于融合后新的特征信息,研究了基于KPCA-HSMM退化状态识别与故障预测方法。研究结果表明:该方法可有效融合状态识别与故障预测中的多源信息,提高状态识别与故障预测的可靠度与准确性。3试验验证以动力传动系统关键部件滚动轴承为试验研究对象,在杭州轴承试验研究中心有限公司ABLT-7型轴承试验机上进行了滚动轴承全寿命试验研究,用实测全寿命数据验证了本文所研究方法的可行性和有效性。