齿轮箱在机械工业领域占有重要地位并广泛应用于各类机械设备,尤其是旋转机械的重要传动部件。齿轮箱能否正常工作关乎到整个机器或机组设备的局部或整体的工况状态,并且旋转机械设备的故障有很大比例是由齿轮箱的部件失效引起的,其中振动噪声信号又是齿轮箱故障特征的载体,故通过齿轮箱的振动信号对其早期故障进行准确诊断并能预测其故障发展趋势以及作出对发生故障或潜在故障的零部件进行最快替换的决策对提高旋转机械设备整体运行可靠性具有重要意义。本文首先介绍了齿轮箱的主要失效形式、故障特征及其振动机理的有关概念,针对齿轮出现缺陷时其振动信号产生交叉调制成份特点提出了小波降噪、EEMD与ISOMAP相结合的高维故障样本特征选择和提取方法,在此基础上提出一种基于ISOMAP与LVQ的齿轮故障诊断模型;针对轴承出现不同故障时都在其外圈的低阶至高阶所有固有频率中心处引起多分量调频现象及其发生故障时其振动能量偏小的特点提出了小波降噪、LMD与距离自适应LLE相结合的高维故障样本特征选择和提取方法和基于离散度思想的LLE算法重要参数k值选择算法,在此基础上本文提出一种基于距离自适应LLE与LVQ的轴承故障诊断模型。实验结果表明采用小波降噪、EEMD(或LMD)与流形学习方法进行特征提取可以有效降低噪声对流形学习低维拓扑结构信息的严重干扰。齿轮故障模拟实验结果验证了基于ISOMAP与LVQ的齿轮故障诊断模型诊断正确率高于广泛应用于故障诊断领域的BP神经网络模型;与未改进LLE及PCA对比,通过轴承故障模拟实验数据验证了本文提出的基于离散度思想确定距离自适应LLE的参数k值可以提高流形学习降维获取特征的可分性,并且基于距离自适应LLE与LVQ的轴承故障诊断模型的诊断准确率也高于SVM模型。