现在,高速铁路的发展速度越来越快,大量的轨道装备投入运营。齿轮箱作为轨道装备驱动系统中至关重要的一种零部件,其故障或失效不仅会带重大的经济损失,也会对人们的生命安全和轨道装备的平稳及正常运作带来巨大隐患,同时也会在轨道交通行业方面造成一些不良的影响。齿轮箱有着相对繁杂的结构,在长期的运转工作中容易发生故障,尤其是当工作条件特别恶劣的情况下,经常会发生点蚀、断齿、齿面磨损以及轴弯曲等典型故障。一旦齿轮箱发生了故障,将会直接对整个设备造成影响,甚至给列车带来不可估计的安全隐患,所以及时发现齿轮箱中的潜在问题并对故障类型进行诊断的工作有着非常重要的意义。现在人工智能技术蓬勃发展,齿轮箱故障诊断方法由原先的人工诊断逐渐过渡到现在的智能诊断。人工故障诊断对技术人员的专业水平要求较高,技术人员仅根据自己的经验、知识对齿轮箱的运行状态进行评估,使得诊断结果不具备准确性。而智能诊断将故障诊断同人工智能、机器学习等领域相结合,通过传感器获取振动信号,并从中挖掘出能够反映齿轮故障特征的信息,随后把这些故障特征信息传递给机器,目的就是通过这些已经得到的相关数据或者相关参数让机器去学习并发现数据与结果之间的关联,获取相关的经验知识,进而不断的丰富机器自身的知识储备和提升其性能,从而尽可能使得机器具有与人类似的能力。然后把训练好的机器应用到齿轮箱故障诊断方面,从而替代传统的人为分析判断的过程,使得故障诊断结果具备准确性、客观性,并克服了人工诊断的不足。因此论文将围绕故障振动信号处理方法的信号降噪、特征参数提取分析和基于机器学习方法的分类识别研究展开,并对齿轮箱的故障进行分类验证,证明该方法的可行性。以齿轮箱齿轮振动过程产生的信号为研究对象,利用时域分析、频域分析、小波变换等方法综合分析齿轮故障信号,并将其转换成特征向量的形式。最后利用matlab软件,编写了一套故障诊断程序,该程序主要分为三个部分:首先对采集到的振动信号进行切片分段,为不同故障类型的数据添加标签分类,随后对每类数据进行特征参数提取,最后通过BP神经网络对故障类型做出准确识别。