齿轮箱在机械传动设备中有着极其重要的地位,它被广泛应用于各行各业中。往往一个齿轮发生故障,就会导致整个设备停机。为了使齿轮箱更加安全可靠的运行,对其进行状态监测和故障诊断具有重要意义。本文将变分模态分解(Variational Mode Decomposition,VMD)算法引入到齿轮箱的故障诊断中,详细研究了基于VMD齿轮箱非平稳振动信号的检测与故障特征提取,提出了VMD算法和约束独立分量分析(Constrained Independent Component Analysis,CICA)相结合的方法,成功地分离出轴承和齿轮故障,并找到了故障发生的位置。采用VMD算法与粒子群优化(Particle Swarm Optimization,PSO)支持向量机(Support Vector Machine,SVM)方法相结合,实现了对高速列车轮对轴承微弱故障的模式识别。首先,论文介绍了滚动轴承和齿轮的振动机理以及常见的失效形式,总结了齿轮箱故障诊断常用的处理方法。重点论述了VMD算法,并利用粒子群算法对VMD参数的选取进行了优化,与传统的参数选取方法相比较,证明了粒子群优化参数的有效性。其次,研究了基于VMD-CICA的齿轮箱混合故障诊断算法。通过粒子群优化VMD算法将单通道信号转换为多通道信号,根据峭度和互相关系数标准选择有效的本征模态分量(Intrinsic Mode Function,IMF)来重构信号,用CICA算法对重构信号进行分离,有效地从单通道齿轮箱混合故障信号中分离出轴承故障和齿轮故障,并确定了故障发生的位置。最后,论文将VMD-PSO-SVM算法应用于高速列车轮对轴承微弱故障识别中。所提方法与其它算法进行比较分析,结果证明了该方法具有更高的识别准确率,且实现了其对高速列车轮对轴承微弱故障的有效诊断。综上,本文将VMD算法和CICA算法相结合,能够弥补单一信号分析方法在齿轮箱混合故障诊断时的不足,具有良好的实用性。将VMD-PSO-SVM算法应用到轴承微弱故障识别中,具有良好的应用前景。