相比于单参数故障诊断方法,多参数故障诊断方法可以更加准确地识别出设备的故障工况。但在实际应用中,多参数监测方案的制定较大程度依赖于从业人员的经验和知识水平,敏感对象单一的监测方案会导致诊断结果精度不足,项目功能冗余的监测方案会导致监测成本过高。为了探索出简洁有效的多参数监测方案制定方法,本文以齿轮箱为研究对象,对基于振动监测和油液分析的多参数故障诊断方法进行优化研究。主要内容如下:首先,在探究齿轮表面失效机理与振动信号特征、油液信息指标内在联系的基础上,分别对振动信号的时域波形、频域谱图和油液的理化性能指标、磨粒信息等常用设备状态监测项目进行分析,确定待优化的齿轮箱多参数状态监测方案,为故障诊断方法的优化研究提供理论支撑。其次,为了获得准确的齿轮箱磨损故障工况信息,在QPZZ-II型旋转机械故障模拟实验台上开展齿轮箱故障模拟实验。根据齿轮磨损故障工况特点,按照正常、轻微磨损、异常磨损、严重磨损和失效五个阶段,对齿轮全生命周期的故障工况模拟方法进行设计并完成加工。构建由振动传感器、采集仪和信号分析软件组成的振动监测系统,采集齿轮箱故障振动信号并提取相关特征参数。构建由毛细管粘度计、颗粒计数器和旋转式铁谱分析系统组成的油液分析系统,采集故障齿轮油样并提取相关特征参数。然后,为了实现基于振动监测和油液分析的齿轮箱多参数故障诊断方法,在探究神经网络解决故障诊断问题的原理基础上,构建基于BP神经网络的故障诊断模型,根据齿轮箱故障模拟实验结果建立故障诊断模型的训练样本集,完成齿轮箱多参数故障诊断基础模型的仿真和训练,并对该模型的训练结果进行总结。最终,针对齿轮箱多参数故障诊断基础模型易发生过拟合的问题,提出一种基于遗传算法的优化方法,在完成算法框架和相关算子设计的基础上,对故障诊断基础模型进行优化,剔除多参数监测方案中的冗余项目,确定故障诊断模型的最优初始连接权值、阈值。通过模型性能对比试验,验证基于遗传算法的齿轮箱多参数故障诊断模型优化方法的正确性和有效性。