齿轮箱是机械设备中关键的传动部件之一,它的健康状态、工作寿命在整个装备运行中举足轻重。齿轮箱中的关键零部件为滚动轴承和齿轮,本文针对齿轮箱中滚动轴承与齿轮复合故障难以诊断的问题,研究了信号的固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)算法,最小熵解卷积(Minimum Entropy Deconvolution,MED)算法,以及快速独立分量分析(Fast ICA)的盲源分离算法,将此三种方法结合起来,经过仿真和实测验证,说明了该方法在齿轮箱复合故障诊断中的有效性。首先,论文介绍了齿轮箱中滚动轴承和齿轮发生故障时的类型和振动机理,并通过仿真信号的建立,根据齿轮和滚动轴承不同的故障特征,研究了不同故障频率的解调提取方法,选用希尔伯特包络解调法来提取故障特征频率。其次,论文研究了故障信号预处理方法。针对单通道信号采集的情况,寻找合适的分解方法来对单通道信号进行预处理,以提取其中的不同故障特征。本文采用ITD分解方法,并结合快速谱峭度图和互相关系数两种评价方法,筛选出ITD分解的真实分量,准确得到了与故障信号相关的信息。考虑到实际测试时的强噪声干扰,算法中加入MED降噪方法,并对其参数进行优化选择,有效滤除了噪声干扰。最后,论文针对齿轮箱混合故障信号进行故障特征分析。首先直接利用包络和频谱对故障信号进行分析;接着运用MED方法对故障信号进行降噪处理分析后,寻找故障;然后运用ITD和Fastica做同样处理,提取出故障特征频率。通过仿真、实测信号的对比分析,说明本文所用方法对微弱故障提取有效果。综上所述,本文所提ITD-MED-Fast ICA方法,为齿轮箱复合故障诊断提供了一种新思路,对工程实际中的齿轮箱复合故障诊断具有一定的应用价值。