齿轮传动系统作为机械装备中广泛使用的动力传动部件,其运行的安全性和可靠性直接关系到整个装备的工作寿命和效率。众所周知,齿轮传动系统通常运行在高速重载的工作条件下,其关键零部件一旦发生故障往往会导致整个传动系统无法正常运转。因此,对齿轮传动系统中关键零部件的故障诊断技术开展深入的研究,并提出一种实用可靠的故障诊断方法,对准确预测和掌握零部件失效的规律,避免造成重大的经济损失、重大事故和人员伤亡等情况,具有重要的工程意义。由于故障诊断的本质即是模式识别和分类的过程,因此通过利用这些关键零部件的运行信息来分类识别设备的相关运行状态是机械系统故障诊断的重要内容。本学位论文将齿轮传动系统中的关键零部件——齿轮、轴承作为研究对象,围绕其在故障状态识别领域中的关键问题,即信号降噪、故障特征提取、故障特征选择、故障状态识别等方面展开了研究。首先,结合了机械传动系统的工程应用,回顾了其关键零部件的故障演化机理、数据获取方法、信号处理和特征提取方法、状态识别和寿命预测技术的国内外研究现状,归纳出了其研究的优缺点,提出了本文的研究内容和研究路线。其次,分析了从原始振动信号中提取可以表征故障状态的时域特征参数、频域特征参数、时频域特征参数的基础上,引入了更为敏感的熵特征参数。综合这些特征参数构建了混合域的高维特征向量来全面描述齿轮传动系统的故障状态。另外,根据相关原理设计了齿轮和轴承故障诊断的试验台,为后续的研究提供了试验验证的平台。由于噪声是故障特征信息提取的最主要障碍,实际中采集的振动信号往往混入噪声,而常规的降噪方法难以有效处理非线性、非平稳性信号中的噪声,故本文提出了一种基于完整的自适应噪声集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)、排列熵(Permutation Entropy,PE)和时频峰值滤波(Time-Frequency Peak Filtering,TFPF)相结合的降噪算法。该方法将排列熵作为判定指标,将CEEMDAN分解后的本征模态函数用不同窗长的TFPF方法进行滤波,很好地权衡了TFPF方法在噪声抑制和信号保真两方面的矛盾。通过仿真和实测信号的试验研究表明,该方法降噪后信噪比明显提升,且可以成功从微弱信号中提取出故障特征。针对单尺度特征在表征故障状态时的片面性和局限性,本文提出了一种基于非线性熵的故障特征提取算法。该算法利用CEEMDAN分解后的各个本征模态函数的PE值形成多尺度的特征向量,并用粒子群寻优的支持向量机(Support Vector Machine Optimized by Particle Swarm,PSOSVM)进行状态识别,进一步体现了引入熵特征的必要性以及多尺度熵的全面性。通过试验验证了该算法在轴承的故障检测和分类方面具有有效性和鲁棒性,并通过与其他多种特征提取的方法对比证明了该算法的稳定性更好,分类的正确率更高。最后,鉴于提取的混合域高维特征向量集中存在的相关性和冗余性,从而严重影响了后续的状态识别性能,本文引入了一种基于鲸鱼算法优化的有监督的核熵成分分析算法(Supervision Kernel Entropy Component Analysis with Whale Optimization Algorithm,WOSKECA),旨在以更少的特征成分表征更多的有效信息。该算法利用主要核熵得分数据来对特征进行选择约简,剔出冗余特征;利用样本的类别信息,引入有监督的学习方式,不仅保留了原始特征集的内在熵结构,同时保证了分类识别准确性更高;利用鲸鱼优化算法寻找最适合核熵成分分析算法的核参数,降低了获取故障状态信息的专业性与主观误差。该方法不仅提升了故障特征提取的效果,同时也确保了关键信息的完整性与凝聚性。最后将包含复合特征信息的敏感特征参数输入PSOSVM分类器中,实现了齿轮传动系统关键零部件的故障类型及严重程度的状态分类识别。