齿轮箱作为机械设备中传递运动和动力的重要部件,其健康状态将直接影响整个机械设备的运行安全。由于齿轮箱结构复杂、工作环境恶劣等原因,齿轮箱在机械设备中容易发生故障,造成较大经济损失甚至人员伤亡。本文以齿轮箱为研究对象,在总结齿轮箱现有故障诊断技术的基础上,采用动力学建模仿真补充故障数据并发现故障特性,同时采用基于熵值的复杂度表征和先进滤波技术对齿轮箱进行特征提取和早期故障诊断研究。其主要研究工作如下:为从理论上分析齿轮箱的故障特性,同时补充齿轮箱点蚀故障类型及程度的实验数据,进行了齿轮箱点蚀故障动力学仿真研究。首先,对一级齿轮箱进行动力学建模,建立扭转和横向振动的6自由度动力学模型。其次,啮合刚度是齿轮动力学系统中最主要的一个内部激励。随着齿轮点蚀程度增大,啮合刚度的值会发生变化,因而齿轮的动力学特性也会改变。本文采用时变啮合刚度来描述齿轮点蚀故障程度的变化,最终求出齿轮不同点蚀故障程度下的故障特征。最后,对动力学仿真模型进行验证,并进一步分析了齿轮箱的早期故障特性以及齿轮箱不同点蚀故障程度下振动信号的特点。针对齿轮在不同故障类型下的振动信号所呈现出的复杂度不同的特点,提出了基于自适应排列熵的齿轮故障类型特征提取方法。自适应排列熵集成了局部均值分解算法自适应的特点及排列熵较高的计算效率,能够从齿轮振动信号有效提取不同故障类型的故障信息。与传统的多尺度排列熵相比,自适应多尺度排列熵采用软阈值分割,能更加全面准确地描述振动信号的故障信息,有效提高了样本之间的可区分性。经齿轮箱仿真数据和实验数据验证,基于自适应多尺度排列熵的特征提取方法具有较高的识别精度和计算效率,实现了齿轮不同故障类型的准确识别。针对多尺度模糊熵对齿轮故障程度特征提取能力不足的问题,提出了广义复合多尺度模糊熵的特征提取方法。针对多尺度模糊熵中粗粒化过程的缺点,提出了广义复合多尺度分解算法,有效提高模糊熵在大尺度下的稳定性,并且同时兼顾振动信号低频分量和高频分量的故障信息。首先采用广义复合多尺度模糊熵提取齿轮箱不同故障程度的故障特征,然后采用拉普拉斯分值对特征进行优选,并结合极限学习机实现齿轮不同故障程度的有效区分。通过仿真和实验,验证了基于广义复合多尺度模糊熵进行故障特征提取的优势,实现了齿轮不同故障程度的有效区分。针对齿轮早期微弱故障特征难以准确提取的问题,提出了基于集合经验模式分解(EEMD)与改进自适应多尺度形态学(IAMMA)的齿轮箱早期故障诊断方法。为了降低噪声的干扰,首先应用EEMD对早期的故障信号进行预处理,优选出包含故障特征较多的内禀模式分量,组成重构信号。其次应用形态学方法对重构信号进行解调分析,本文针对自适应多尺度形态学(AMMA)将结果直接均分的问题,提出IAMMA算法。通过引入特征频率比(CFR),将AMMA的解调结果赋予权重值,依据CFR指标自适应分配权重,提高了AMMA算法的解调能力。仿真与实验结果表明:所提出的EEMD-IAMMA方法能够有效提高故障诊断精度,完成齿轮早期故障的准确定位。