齿轮箱作为制造业的基础设备,应用广泛,对工业安全生产至关重要。对齿轮箱服役状态有效监测与管理,有助于工业生产的安全经济进行。因此,对齿轮箱服役状态预测,并对故障识别定位有利于提升工业智能化生产水平但齿轮箱系统服役环境恶劣,故障信息相互耦合,齿轮箱系统的状态监测与故障识别工作面临巨大挑战。基于此,本文从敏感特征提取、退化趋势预测以及故障识别三个方面进行了研究,具体研究内容如下:(1)齿轮箱的服役状态准确评估与预测的关键是提取到能反应状态变化的敏感特征参数。本文首先分析了工业监测中常用的一些特征参数,针对常规特征量对早期损伤敏感性不足问题,在分析了时频分析方法运用现状的基础上,结合复小波变换的优越性,研究了Wigner-Ville时频结构相似性定量评价指标复小波指数—WVD-CWSS,并通过轴承全寿命实验数据,定量分析了常规特征量有效值、裕度、频域方差以及STFT时频结构相似性评价指标(STFT-CWSS)对早期损伤的敏感性,结果证明WVD-CWSS对轴承的早期故障更为敏感。(2)状态预测是通过学习服役状态的下的退化规律对其未来退化趋势做出推断。高斯过程预测结果具有概率意义,存在一定的不确定性,对小子样、复杂随机过程具有较好的适应性,相比神经网络其参数设置简单,能自适应学习超参数。鉴于WVD-CWSS的敏感性,本文研究了WVD-CWSS特征量与高斯过程回归(Gauss Process Regression,GPR)的状态预测方法。最后,通过实验证明了该法方法对轴承运行状态预测具有良好的效果。(3)针对齿轮箱系统的监测过程中,单一传感器、单一特征量难以实现故障模式的有效识别,为保证信息的完备性,通常融合多个特征参数进行模式识别,但构造的高维特征集往往会存在大量耦合、冗余信息,因此,本文研究了高斯过程隐变量模型(Gauss Process Latent Variables Model,GPLVM)对高维特征集消除冗余信息的故障识别方法,并与PCA、LE、Isomap进行对比分析,结果证明了GPLVM对高维特征集冗余约简后有利于故障模式的识别。