齿轮箱是工业装备中重要的传动单元,齿轮、轴承等部件一旦出现故障,会导致动力传递中断、系统停机,产生较大经济损失。现阶段的齿轮箱故障诊断主要依赖于基于振动分析的先进信号处理方法和基于温度信息的人工智能算法,难以深入挖掘数据的机理内涵,故障诊断指标的物理意义也不够明确。本文旨在通过齿轮箱多源混合振动观测数据反向推导各级齿轮的物理表征参数的变化,探索基于齿轮振动信号特征的盲源分离算法,建立基于齿轮运行机理的数据交互模型,明晰参数变化的物理意义,并用于描述齿轮故障,从机理角度实现齿轮故障的精确识别与准确定位。本文主要工作如下:（1）分析齿轮啮合过程,通过能量法计算齿轮的时变啮合刚度。推导啮合过程中单个齿轮的刚度状态,分析缺齿故障状态下时变啮合刚度的变化,为后续数据建模提供准确的先验知识。（2）基于齿轮振动信号的频域特征实现多源混合信号的盲源分离,通过傅里叶变换获取混合信号的频域特征,采用时频掩蔽法分离齿轮的主要啮合频率,结合调制成分先验信息实现故障特征提取,再通过傅里叶逆变换重构各个源信号的时域波形。（3）研究从观测信号反向推导隐变量状态的方法,采用卷积变分自编码网络近似齿轮时变啮合刚度的后验概率分布,基于齿轮啮合刚度的先验知识,通过对隐变量分布进行重采样,获取齿轮的近似时变刚度。（4）采用粒子滤波算法实现单一齿轮时变刚度的状态辨识,基于单一齿轮刚度变化建立状态转移方程,通过线性回归确定齿轮总体时变啮合刚度的观测方程,并引入故障状态先验信息,基于故障机理制定约束规则,扩展状态方程与观测方程,有效识别故障状态下单一齿轮时变刚度的变化,实现故障识别与定位。