随着现代工业水平的提高,机械设备的状态监测已成为保障工业生产正常运行的重要环节。齿轮箱广泛应用于工业领域且发挥着重要的作用。因齿轮箱大多在交变载荷较为复杂的工作环境中运行,其零部件容易产生损伤导致整体设备失效。轴承和齿轮是齿轮箱中的重要零部件,为减少齿轮箱失效带来的损失,对轴承和齿轮的性能退化评估方法进行研究从而提高齿轮箱状态监测技术就具有重要的实际意义。本文采用理论和实验相结合的方法重点探究了齿轮箱性能退化评估模型中边界距离型和数据重构型两类评估模型的建立方法和评价效果。针对边界距离型性能退化评估模型的建立,提出了一种基于K-medoids聚类的轴承性能退化评估方法。该方法通过计算信号小波包分解有用频带的Renyi熵作为特征矢量,在K-medoids聚类模型下找到无故障和失效特征的中心点并计算与测试数据的距离,将距离和隶属度函数结合,得到可在固定区间实现量化的故障程度评价指标。通过对轴承不同故障程度的人工植入故障试验和全寿命周期疲劳试验对该方法的有效性进行了验证,结果表明该方法能及时发现早期故障且能对故障程度进行定量评估。针对数据重构型性能退化评估模型的建立,提出了一种基于自回归模型和字典学习的齿轮性能退化评估方法。该方法提取自回归模型的系数作为振动信号的状态特征进行字典学习来重构信号,将重构误差作为故障程度指标,在此过程中使用单因素分析法对模型超参数进行选取。通过齿轮全寿命数据的分析表明该评估模型可以有效地识别出齿轮的不同故障程度,且能及时发现肉眼难以识别的早期微小故障。针对多层数据重构型性能退化评估模型的研究,提出一种自编码器和字典学习相结合的双层数据重构型性能退化评估模型。提取信号的时频特征、小波包熵、自回归模型系数作为综合特征,经过自编码器和字典学习进行双层重构,将重构误差作为退化指标实现性能退化评估。针对模型中超参数较多的问题,使用粒子群优化算法对模型的多个超参数进行优化并提出一种评价重构效果的指标“均方误差比”。使用滚动轴承仿真数据和疲劳实验数据以及齿轮疲劳实验数据对模型进行检验,验证了该模型具有较好的重构效果,能及时发现早期故障,得到的退化指标与其他常用时域指标相比更符合故障发展的趋势,为数据重构型性能退化评估模型的研究提供了一种思路。