齿轮箱作为机械设备中必不可少的传递运动与动力的关键部件,广泛应用于现代工业各种大型、重型机械设备中,其工作和运行环境一般比较差。一旦出现故障可能导致整个机器不能正常工作,不仅增加了设备维护费用,还可能造成巨大的经济损失,甚至是人员伤亡。因此,研究齿轮箱故障诊断技术和方法具有重要的学术意义和应用价值。故障特征提取是齿轮箱状态监测与故障诊断的关键问题,特别在低速区时,因高频啮合振动、传递通道及强噪声等多方面因素影响,造成有效故障特征信息非常微弱,给齿轮箱的低频故障特征提取带来诸多难题。因此,有必要寻找合适的振动信号处理技术与方法,有效地从复杂振动信号中分离故障信号及提取微弱故障特征。基于盲源分离技术对齿轮箱振动信号的普适性,本文就齿轮箱恒转速工况条件下,深入地研究和丰富了基于盲源分离的低频故障特征提取新方法,并将其成功应用于试验齿轮箱和矿用齿轮箱的故障特征提取与故障诊断。主要研究内容有:(1)阐述了论文的选题背景和研究意义,分析了齿轮箱的时频分析方法、盲源分离等方面的国内外研究现状,针对盲源分离技术在齿轮箱低频故障特征提取存在的问题,确立了本文的研究路线和主要研究内容。(2)考虑到振动源信号可能直接混有源噪声,信号之间的统计独立性与非高斯性相对更弱,增加了齿轮箱微弱故障信号盲提取的难度。将源噪声引入盲源分离的线性瞬时混合和卷积混合模型中,使其更符合齿轮箱振动系统的实际情况,为含源噪声条件下的齿轮箱低频故障特征盲提取方法的提出奠定了基础。(3)约束独立分量分析(Constrained independent component analysis,cICA)算法对于多通道传感器测量噪声具有很强的免疫能力,但对源信号含源噪声的分析效果却很差。针对这个问题,提出了小波变换(Wavelet transform,WT)特征增强的cICA的齿轮箱故障特征提取方法,该方法可以减少其他振源及强噪声的干扰,提高信噪比,增强cICA的故障特征提取效果。将其应用于试验齿轮箱和矿用皮带输送机齿轮箱的故障诊断,分别提取出了表征各自故障的低频振动特征。(4)cICA算法要求观测信号数目不少于源信号数目,不能直接提取单通道测量信号的故障信息。集成经验模态分解(Ensemble empirical mode decomposition,EEMD)能够有效减少模态混叠和除噪,然而该算法会产生虚假分量。通过计算互相关系数与峭度来选择合适的本征模态函数(Intrinsic mode function,IMF)分量,并与原测量信号组成虚拟观测向量,以减少虚假成分。结合两者的优点,提出了基于EEMD特征增强的cICA的齿轮箱故障特征提取方法。通过仿真、试验与工程应用结果表明,该方法对齿轮箱单通道测量信号的低频故障特征提取具有很好的效果。(5)针对最小解熵解卷积(Minimum entropy deconvolution,MED)算法易受强噪声和野值的影响,引出了最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)的齿轮箱故障特征提取方法,克服了MED算法的不足。然而凭先验信息选取的故障周期,可能导致MCKD解卷积效果很差。因此提出了MCKD算法的最佳故障周期搜索思路,即在合适的滤波器阶数L下,故障周期的搜索可以在步距M取较大值时,限定于理论计算周期左右的某一范围内,使不同步距M关于最佳周期的最大相关峭度达到全局最优,以确保了MCKD算法具有良好的解卷积效果。通过试验齿轮箱和矿用齿轮箱的微弱低频故障特征提取佐证了最佳故障周期搜索思路的可行性和MCKD方法的有效性及优势。