大型重载装备齿轮箱传动系统是现代工业中复杂系统及重载大型化设施的关键设备，长期工作于高温、高湿、多粉尘的恶劣工况下，一旦发生突发故障,轻则影响设备本体的正常生产，重则产生连锁反应，严重影响企业的生产和经济效益。对此类关键设备开展状态监测与故障诊断，已成为大型企业（尤其是流程企业）的迫切需求。本论文从工程实践需求出发，研究了大型齿轮箱的非稳态特征提取方法和早期故障微弱信号检测方法，并在工程实际中取得成功应用。论文主要工作如下:　　(1)针对大型齿轮箱振动信号的非稳态特性，论文对基于经验模式分解(EMD)的振动信号自适应分解进行了分析和探讨。在阐述EMD的基本原理、筛选停止准则、模式混淆、端点效应等问题的基础上，给出了本征模式函数(IMF)的归一化方法，即将IMF分量转换成一个归一化的调频分量和一个调幅分量的乘积，对该调幅分量进行频谱分析即可得到该IMF分量的包络解调谱，从而实现齿轮箱故障特征信息的提取，避免了传统Hilbert变换求取包络时受到Bedrosian定理和Nuttall定理的限制。将该方法用于某高速线材轧机齿轮箱轴承内圈故障诊断，取得了较好的效果。　　(2)局域均值分解(LMD)作为继EMD之后出现的多分量信号自适应分解方法，在机电设备故障诊断领域取得了初步的应用。论文首先阐述了LMD的理论模型，给出了算法流程和滑动平均的计算方法，并利用该方法对一个多调幅调频仿真信号进行分析，验证了该方法的有效性。然后给出了基于奇异值分解(SVD)的周期信号检测和信息净化方法，提出了有机融合LMD和奇异值差分谱的齿轮箱振动信号信息净化方法，即对故障信号进行LMD处理后，对得到的PF分量利用奇异值差分谱进行降噪处理，对降噪后的信号进行频谱分析，频谱上可以非常清晰显示出故障特征信息。将该方法应用于轴承内外圈故障模拟实验及高线轧机齿轮箱故障诊断，取得了理想的效果，验证了该方法的有效性。　　(3)提出了利用Hermitian小波对故障信号进行包络解调的方法。论文首先对Hermitian小波和Morlet小波进行了对比，指出Hermitian小波在严格意义上虽说不是解析小波，但其幅-频特性具有在负频率时幅值比正频率时低很多，且其包络解调效果和Morlet小波效果相当，并成功用于包络解调。采用SVD（奇异值分解）、峭度、小波熵三种指标来选择Hermitian小波变换尺度，得出基于这三种方法找出的最佳变换尺度几乎一致的结论，由于基于SVD法计算量较大，不适合应用于在线监测。一般采用另外两种指标作为选择最佳变换尺度的标准。并将此方法应用于轴承、齿轮工程信号的特征提取，取得了很好的解调效果。　　利用Hermitian小波作为时间-小波能量谱的小波基函数，并且利用峭度指标作为选择时间-小波能量谱的最佳累积尺度的标准，可以有效地选择最佳的累积尺度，并利用实验数据和工程数据对此方法进行了验证。　　(4)探讨了基于差分振子的齿轮箱微弱信号检测方法。在阐述差分振子数学模型和基本原理的基础上，给出了差分振子检测系统参数的设置原则，推导了差分振子的传递函数、频率相应和脉冲响应函数，指出了差分振子的二阶滤波器本质。在分析差分振子零输入解和零状态解的基础上，提出了微弱调制信号的差分振子时间历程距离检测方法，提出了利用差分振子时间历程平均幅值表征微弱检测信号幅值的方法，并在齿轮箱滚动轴承早期故障检测中得到成功应用。