在机械传动中,微弱的齿轮箱故障信号常常淹没在强背景噪声中,且故障信号具有非平稳、非线性、稀疏性差、稀疏度未知、无法先验获知信号或噪声的统计特性的特点。传统的机械故障诊断方法往往无法完全抑制高噪声对故障信号的影响,且需要先验获知信号或噪声的统计特性。基于压缩感知理论对齿轮箱的故障信号进行特征提取,能够有效降低噪声,且不需要先验获知信号或噪声的统计特性,但大部分压缩感知算法在处理齿轮故障信号都需要预知稀疏度,无法准确提取稀疏度差的齿轮箱故障信号故障特征,在提取主要故障特征时会丢失重要信息。针对存在的问题,本文提出了自适应匹配追踪算法,提取齿轮箱故障信号特征。主要研究内容如下:(1)在正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)基础上引入回溯思想,加入步长和支撑集的概念,编写自适应匹配追踪算法(Sparsity Adaptive Matching Pursuit,SAMP)。对SAMP算法进行了进一步改进,选取合适的稀疏矩阵和测量矩阵,迭代终止准则,对比不同的步长的SAMP算法的重构精度来选取最优的初始步长。深入研究发现,OMP算法重构精度随着稀疏度的增加而降低,随着测量值增大而增大。SAMP算法相比于OMP算法受稀疏度和测量值的影响较小。对比发现,在测量数为75时SAMP的测量精度为100%,OMP算法只有60%。在稀疏度为50时OMP算法的重构精度已经降低到接近0,而SAMP算法依然接近100%。验证了SAMP算法基本上不需要预知稀疏度和测量数。(2)利用SAMP去噪与功率谱、包络谱分析相结合的方法,将SAMP算法应用到齿轮箱的故障诊断中来。构造齿轮故障仿真信号,相对于OMP算法,SAMP算法处理过的加噪的齿轮的故障信号时域图周期性波动明显,在功率谱和包络谱中载波频率和调制频率及其倍频更加明显。构造轴承内外圈仿真信号,经过SAMP算法处理过的加噪轴承内外圈仿真故障信号,更好的提取故障特征,降低干扰成分。通过齿轮故障实验验证,相对于OMP算法,经过SAMP算法处理的故障信号,故障特征更加明显,且重构信号精度更高。验证了SAMP算法在处理稀疏性较差的齿轮箱故障信号的优越性和有效性。(3)优化稀疏基和测量矩阵,采用离散余弦变换(Discrete Cosine Transform,DCT)稀疏基代替傅里叶正变换稀疏基,用交替投影的方法对高斯测量矩阵进行优化。最后对SAMP算法进行优化,用Dice系数匹配原则代替内积匹配原则。通过设置一个参数α对步长进行控制,采用大步长逼近实际稀疏度,采用小步长更新支撑集集合残差来更加精确的逼近实际稀疏度。经过仿真和实验研究,相对于SAMP算法,优化的SAMP算法能提取齿轮箱主要故障特征,避免SAMP算法在实际应用时导致重要信号丢失的缺陷。