1.一种基于小波神经网络的齿轮裂纹识别方法，其特征在于，该方法包括以下步骤，步骤1，收集不同工况下的原始振动信号；

步骤2，采用小波包分析方法提取振动信号的故障特征；

步骤3，根据基于反向传播算法的小波神经网络和对小波函数的相关参数进行优化；小波函数的相关参数包含振荡参数、缩放参数、平移参数、权系数、阈值；基于基于反向传播算法的小波神经网络对小波函数的相关参数进行优化具体步骤为，步骤31，利用小波包节点能量定义对从齿轮箱实验系统采集的原始振动信号进行提取能量特征值 ；

步骤32，由 对提取的特征值进行归一化，将向量 作为WNN的输入特征向量；

步骤33，将提取的特征向量划分为训练样本和测试样本；

步骤34，确定节点数I = 8，J = 14，N = 4，动量因子λ= 1，学习率η= 0.4，根据数据记录，通过网络获得最佳训练结果；

步骤35，启动权系数 和 ，小波参数 和 ，WNN结构中的阈值 和 以及输入训练样本；

步骤36，基于小波神经网络的三层结构函数对WNN进行调整，从输入层的输入 到WNN输出层的输出 ，通过计算比较实际输出 和期望输出 得到输出误差E，如果输出误差E不符合误差要求，转到步骤37，否则跳到步骤38；

步骤37，用反向传播算法计算WNN，通过输出层的反向传播误差定义隐藏层的反向传播误差值定义获得反向传播误差值 和 ，使用梯度下降算法基于误差信号优化从输出电平到输入电平的WNN的所有参数，权系数 和 由计算优化，对小波参数 和 也通过计算优化，同时对阈值 和 也通过计算优化，所有优化过程完成后进入步骤36；

步骤38，查看终止要求，如果反向误差值E满足客观误差设置或迭代实现最大训练时期，则网络训练结束并确定权系数 ， ；小波参数 ，以及阈值 ， ；

步骤39：输入测试样本，经上述程序调整的WNN分类器得到诊断结果；

步骤4，对齿轮裂纹进行识别。

2.根据权利要求1所述的基于小波神经网络的齿轮裂纹识别方法，其特征在于，步骤1中所述不同工况分别是：裂纹水平为0％；裂纹水平0％‑25％；裂纹水平25％‑50％；裂纹水平50％‑75％。

3.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法，其特征在于，所述步骤2中具体包括：步骤21，使用WPA的三级分解来分析来自齿轮箱的原始振动信号并产生八个子带；

步骤22，计算每个频带中特征信号的能量值；

步骤23，构造一组特征向量；

步骤24，归一化一组特征向量 ,由

获得作为WNN的特征输入向量的新向量 。

4.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法，其特征在于，所述步骤4中齿轮箱测试系统包括齿轮箱，SpectraQuest的动力学模拟器，352C67PCB型的两个加速度传感器，DSP Siglab 20‑42信号分析仪和计算机。

5.根据权利要求4所述的基于小波神经网络的齿轮裂纹识别方法，其特征在于，所述步骤4测试系统中具体为：步骤41：SpectraQuest齿轮箱动力学模拟器用于收集振动信号；

步骤42：352C67PCB型的两个加速度传感器沿垂直和水平方向安装在变速箱上；

步骤43：振动数据由DSP Siglab 20‑42的信号分析仪和计算机采集分析数据。

6.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法，其特征在于，所述小波神经网络是具有输入层、隐层和输出层的三层网络结构，采用非线性小波函数作为激活函数。

7.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法，其特征在于，反向传播算法在连续学习和调整过程中，通过最小化以下目标误差函数来优化网络参数:。

8.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法，其特征在于，小波包分析, 将原始信号同时分解为低频和高频信号,而对信号的高频部分不作进一步的分解；同时根据分析信号的特征，自适应地选择合适的频带，使原始信号与信号频谱相匹配；

WPA信号分析方法，用于获取振动信号的特征值，并作为特征向量输入到WNN中；小波变换使用具有不同频率的振荡函数作为窗口函数来分析信号。