齿轮箱是机械装置中十分关键的传动装置。齿轮箱一旦出现故障,可能导致整条线上的装置停止运行,更严重的会危及设备操作人员的生命安全,以及非常严重的经济损失。因此,对齿轮箱进行故障状态监测与诊断的研究就显得尤为重要。其主要内容是监测部件运行状态,并且从各旋转部件的振动加速度数据中提取各种故障特征,这就需要选择合适的信号处理方法。目前流行的信号处理方法有集合经验模态分解(Ensemble Empirical Mode Decomposition)、自适应最稀疏时频分析(Adaptive and Sparsest Time—Frequency Analysis,ASTFA)等,这些方法虽然都在不断改进,但是仍然存在许多问题。本文在ASTFA方法的基础上研究了一种复数微分算子最优化分解方法(Optimal Decomposition Method Based on Complex Differential Operators,CDOOD),针对CDOOD的缺点提出改进方法,然后将改进的CDOOD与快速谱相关以及极限学习机(Extreme Learning Machine,ELM)方法结合实现齿轮箱的故障诊断。论文主要进行了CDOOD方法的理论研究,以及其在齿轮箱故障诊断中的应用研究。论文主要研究内容如下:1.ASTFA是在采用高斯-牛顿迭代法的优化方法的基础上提出的,而在ASTFA中高斯-牛顿迭代法是其他优化方法无法替代的。同时由于此优化方法对初值非常敏感,如果初值与实测值相差过大,就无法对分量进行准确分解。另外,由于ASTFA中的分量约束条件是包络函数比余弦函数平滑,所以这两个分量可能重叠,这就导致分解得到的分量不能满足约束条件,同时也导致瞬时频率可能不具有物理意义。针对ASTFA的这些不足,研究了CDOOD方法。该方法的主要思想是通过优化滤波器参数将混合信号分解。优化目标是使分解残差的能量最小,约束条件是使单个分量满足局部窄带信号的条件。最后,将混合信号分解为若干个内禀窄带分量。改进CDOOD方法的优化目标函数,使最终剩余能量和正交系数更小。仿真结果表明,改进的CDOOD方法更有效。2.研究了改进CDOOD方法与快速谱相关结合的故障诊断方法。谱相关是一种理想的状态监测工具,能清晰地显示调制的存在,它实际上提供了高分辨率的包络谱,并易于故障频率的识别。将该方法运用于处理齿轮箱的实际振动信号当中,结果表明该方法具有实用性。3.研究了基于改进的CDOOD方法和极限学习机的齿轮箱智能故障诊断方法。首先经过改进CDOOD方法得到齿轮箱的故障特征信号,之后经过快速谱相关的方法得到增强包络谱,将增强包络谱作为极限学习机的输入,实现齿轮箱的智能诊断。将采集到的齿轮箱的实验振动信号用于该方法,并与BP方法对比,结果证明了所提方法的有效性。