1. 研究目的与意义（文献综述）

1.1论文研究的意义

随着机械行业自动化技术的日趋完善，人们对机械零件精密度、安全性的要求也越来越高。齿轮作为机械工业中最基础的零部件之一，对此也有极高的要求。作为传动部件，齿轮需要经常在高速、重载的工况下运作，因此，对齿轮故障的及时诊断便显得尤为重要。

上世纪以来，人们主要依赖于神经网络等方法来实现对齿轮故障的诊断。这些方法依赖于大量的统计数据以及工程师的经验，不能大规模推广实现。并且其诊断精度严重受限于所统计样本的大小^[1]，只有样本容量足够大时，才能无限接近于真实情况。然而，由于齿轮常常应用于机械设备内部，难以拆解，因此，但凡发生故障，往往会造成严重的生产事故，故而故障样本的获取会比较困难，这也让神经网络等方法难以获得让人满意的效果。
支持向量机（supportvector machine，svm）理论则很好的解决了这一困难^[2]。它是一种新的机器学习方法，最初是为了解决简单的分类问题^[2-3]而提出的，它很好的解决了样本数量不足对于整个分析模型的制约，使模型的准确度不再受制于原始数据的多少。与传统的神经网络等方法相比，支持向量机还克服了过学习、欠学习等缺点^[4]，足以解决目前绝大数问题。而且，其发展前景也十分广阔，未来还有很多支持向量机的用法值得我们探究。

2. 研究的基本内容与方案

2.1研究内容

学习机器学习方法，掌握支持向量机技术的原理。在齿轮试验台上对正常齿轮和故障进行测试，采集齿轮箱、轴承座振动数据，利用支持向量机技术，对齿轮故障进行识别和分类。综合实验结果对提出的方法进行验证。

2.2研究目标

3. 研究计划与安排

（1）文献调研 2周 ；

（2）外文翻译 1周；

（3）开题报告 1周；

4. 参考文献（12篇以上）

[1]vapnik v n. the nature of statistical learning theory [m]. new york: springer,1995: 181#8722;218.

[2]stever gunn.support vector machines for classification and regression[r]．technical report，southampton：university of southampton，1998：1-8.

[3]breretonr g，lloydag r． support vector machines for classification and regression［j］.analyst，2010，135(2)，230-267.