随着我国综合实力的日益提升和科技水平的不断进步,现代工业对高质量、低成本产品和安全生产的需求越来越高,工业机械设备的维护策略也快速从预防性维护转向为基于运行状态的实时监测与智能故障诊断。旋转机械是机械设备中最广泛普遍的类型之一,在工业应用中具有不可替代的地位。而基于旋转机械设备的状态监测与故障维护可以有效减少运行机组突发性的停机次数,甚至避免灾难性的事故。因此,发展研究旋转机械的故障诊断技术对于确保工业设备的安全高效运行具有十分重要的意义。作为机械设备中的关键零部件,齿轮广泛运用于工业生产线的传动系统,在几乎所有类型的旋转机械中都扮演着重要角色,机组设备的工作效率、运行状态都和它紧密相关。因此,本文以齿轮为研究对象,针对齿轮早期的弱局部性故障,在特征提取、噪声抑制和齿轮箱系统复合故障的解耦分离等方面展开了深入研究。针对齿轮箱系统中齿轮信号的非线性、不平稳现象,本文充分借鉴利用共振稀疏分解(RSSD)算法。区别于传统线性分离的信号处理技术,该方法可以将复杂信号分解为包含不同共振属性(振荡次数)的高低分量,更适用于具有明显非线性和非平稳特性的振动信号。但RSSD方法对噪声敏感,抗噪性能差,分解效果易受到信号信噪比的影响,需要对RSSD方法进一步优化处理来提高噪声抑制能力。本文针对齿轮的振动特点,利用RSSD进行预处理,并改进多尺度离散熵方法来分析处理其分解的分量信号,增强对齿轮弱故障特征的提取能力。论文主要研究内容如下:(1)从预测健康管理的学科理论和旋转机械故障诊断技术在实际工程中的应用价值等角度出发,论述了本课题的背景和研究意义。对近年来旋转机械系统中有关齿轮的故障机理研究、特征提取、监测诊断等方面的国内外研究现状进行了梳理和回顾,并总结了各类信号处理方法的优缺点,从而确定了本文的研究内容。(2)针对故障齿轮的振动特性,提出一种多尺度融合离散熵的特征提取方法。该方法可以从不同尺度快速有效的量化齿轮振动信号中故障特征的丰富程度,避免单一尺度的误差,并结合流形学习来融合多维特征,有效克服传统信息熵特征不灵敏和信息冗余的不足,增强了齿轮故障特征的提取能力。同时,基于该特征提取方法和RSSD,提出一种适用于平稳工况下齿轮故障诊断的滤波方法。RSSD分解之高共振分量持续振荡的波形特点更适用于齿轮裂纹故障的高频共振解调。首先利用多尺度融合离散熵来提取、挖掘目标信号中蕴含的周期性冲击振荡成分,从而有效辨识出齿轮的结构共振频带。再结合FIR带通滤波方法,设计出相应的理想滤波器来实现对齿轮弱故障特征的识别提取、克服背景噪声和其他成分的干扰,并通过仿真信号和试验数据的分析验证。此外,该滤波方法为本文后续完整的齿轮故障诊断方法提供可靠的参照依据。(3)针对变载荷工况下齿轮信号非平稳特点,基于上述的多尺度融合离散熵,提出一种信号稀疏表示的齿轮故障诊断方法。该方法利用RSSD对信号进行预处理,以更适用于齿轮故障稀疏表征的低共振分量为研究对象,将低共振分量中蕴含的周期性瞬态冲击视为一串移位脉冲的连续叠加,通过自适应字典来稀疏表征目标信号,实现更加灵敏的动态追踪和定位识别齿轮的故障冲击。该方法首先采用多尺度融合离散熵和延时分段处理来实现字典设计,基于信号自身结构中具有敏感特征的局部短时序列来量身定制自适应字典。再通过K-SVD算法对字典进行更新学习,有效降低字典冗余度。相比于传统分析字典和学习字典,该字典设计方法有效实现原子与缺陷诱发脉冲之间的高度相似,无需先验知识且物理意义明确,更具灵活性和适应性。然后利用原子分解算法来稀疏表征目标信号,实现最大限度地捕获、识别故障冲击特征。同时,联合上述基于高共振分量的齿轮滤波方法来建立自约束迭代终止条件,根据目标信号自身的噪声水平来灵活确定最佳迭代次数,有效提高了稀疏表征精度、避免引入额外干扰成分。最后通过和其他传统信号分解方法的比较分析,突出所述方法的优越性和可靠性。(4)针对齿轮箱系统中齿轮和滚动轴承同时并发故障的问题,提出一种基于啮合共振的齿轮箱复合故障解耦分离方法。根据齿轮和轴承不同的故障冲击特性,本文充分利用故障齿轮在啮合频率及其谐波处的调制现象表现更为强烈的啮合共振特点,提出了一种复合故障的滤波分离方法:应用平移加窗法对不同频带进行滤波,分别计算包络谱中啮合频率及其谐波频带的谱峭度来寻找齿轮的最大啮合共振频率序列,从而确定出齿轮和轴承的各自共振频率,通过共振解调来实现对齿轮和轴承故障信号的有效解耦和分离。考虑到分离后的齿轮滤波信号中噪声干扰可能仍比较严重,该分离方法结合本文上述的齿轮故障诊断方法来进一步分析处理,从而能更加有效的增强齿轮局部性故障特征,提高抗噪性能。最后通过模拟仿真和试验数据的分析研究,表明该方法能够有效分离、辨识出齿轮和轴承的复合故障。