随着科学技术的不断进步,机械设备向着高性能、高效率、高自动化和高可靠性的方向发展。齿轮箱由于具有传动比固定、传动转矩大、结构紧凑等优点,被用于改变转速和传递动力的传动部件中,它是机械设备的一个重要组成部分,也是易于发生故障的一个部件,其运行状态对整机的工作性能有很大的影响。因此,对齿轮箱进行状态监测及故障诊断意义重大,不仅可以缩短维修时间、降低维修成本,还可提高诊断准确性和维修质量,创造可观的经济效益。齿轮箱的振动信号相当复杂,除反映有关齿轮和轴承本身工作情况的信息外,也包含了大量机械中其它运动部件和结构的信息,因此如果仅仅单从时域与频域或小波分析对齿轮箱的振动信号进行分析,则很难准确诊断出齿轮箱各类故障。本文提出并研究了一种新的齿轮箱故障诊断技术——基于时、频域和小波分析的神经网络诊断法,该方法联合时、频域和小波分析的特性来识别齿轮箱故障信号,将所得到的综合信息,进行神经网络训练和诊断,结果证明该研究方法可提高齿轮箱故障诊断的准确性和可靠性。具体研究内容如下:1)研究齿轮箱故障振动的机理。分析齿轮和轴承的常见故障类型及产生的原因,在此基础上研究了齿轮和轴承几种典型故障的振动机理。2)研究时、频域分析方法进行齿轮箱故障特征提取的特点。介绍了一些时域和频域分析方法的理论,通过分析实验所得的齿轮箱5种典型故障信号,得出相应的时域与频域特征。3)研究小波分析方法进行齿轮箱故障特征量提取的特点。根据小波分析和小波包分析的基本理论,采用了基于小波包能量的特征提取方法,并用实例证明了该方法的可靠性。4)根据BP神经网络算法的原理,提出了一种改进的BP算法,即基于误差修正的自适应学习速率法,并针对这种算法进行了仿真测试。测试结果表明改进的BP算法缩短了学习时间,提高了学习效率,并在一定程度上避免了学习中的局部极小问题的出现。5)对本文提出的研究方法进行实验验证。利用实验室齿轮箱实验台模拟了齿轮箱五种典型故障形式,并采集了各工况下的振动信号。对信号进行时、频域分析和小波分析并提取特征值,作为改进BP神经网络的输入,建立了齿轮箱故障诊断模型。用该模型对大量实测数据进行分析和处理,其诊断结果表明本论文研究提出的方法是可行的,该方法可提高齿轮箱故障诊断的准确性和可靠性。