齿轮箱是机械设备中的基础性部件,其运行状态对整个设备的安全运转至关重要。由于齿轮箱结构复杂,工作环境恶劣,在运行过程中易出现故障,从而影响整个设备的运转。因此有必要利用合适的信号处理技术,从齿轮箱振动信号中准确提取出有用的故障信号,对齿轮箱进行故障诊断。本文针对齿轮箱复合故障,将最大相关峭度反褶积(Maximum Correlated Kurtosis Deconvolution,MCKD)降噪、变分模态分解(Variational Mode Decomposition,VMD)方法和快速独立分量分析(Fast Independent Component Analysis,FastICA)方法结合,成功从齿轮箱振动信号中分离出齿轮和滚动轴承的故障信号,找到故障所在位置。论文主要工作有:首先,介绍了齿轮和滚动轴承的振动模型及其常见失效形式,提出了时域信号的评价指标,总结了齿轮箱故障诊断常用信号处理方法。同时,利用动力传动故障诊断综合实验台(Drivetrain Diagnostics Simulator,DDS)模拟了齿轮箱中齿轮和滚动轴承的复合故障,并采集了单通道齿轮箱振动信号加以分析,证明常规方法直接处理复合故障信号效果并不理想。其次,论述了盲源分离(Blind Source Separation,BSS)算法及单通道情况下的BSS算法,验证了VMD算法优于经验模态分解(Empirical Mode Decomposition,EMD)和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法。通过VMD分解将单通道信号转换为多通道信号,根据相关系数、峭度和方差三个标准,选择有效本征模态分量(Intrinsic Mode Function,IMF)进行信号重构,用FastICA算法对重构信号进行BSS,并用仿真信号证明了BSS算法的可行性。最后,研究了强噪声环境下的BSS问题,并针对其提出来MCKD-VMD-FastICA算法,通过仿真信号和实测振动信号分析,验证了本文所提出算法的优越性,可以有效地从单通道复合故障信号中分离出齿轮故障和轴承故障,并确定其位置。