从中心频率的角度出发,深入分析变分模式分解算法中不同初始中心频率的分解特性;利用分解特性对变分模式分解中使用的初始中心频率进行合理更新,在没有先验知识的情况下自适应分解信号的整个分析频带;根据峭度准则,从分解的子信号中选取包含故障信息最丰富的故障分量;对选出的最佳故障分量进行平衡参数优化和稀疏编码收缩处理,并进行包络分析;基于变分模式分解的特性,构建一套完整的基于收敛趋势变分模式分解的齿轮箱故障诊断方法,并应用诊断方法于汽车变速器齿轮箱中齿轮早期局部损伤故障识别和齿轮接触疲劳试验机中齿轮箱故障诊断.研究结果表明:在变分模式分解算法中存在着收敛趋势现象,随着初始中心频率的逐渐增大,所提取模式的收敛中心频率与其相对应的初始中心频率具有特定的收敛关系;提出的方法无需参数先验知识,可自适应地将振动信号进行分解;试验1中提出的方法分解得到的故障分量峭度为3.056,优化处理后故障分量的峭度为24.812,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为2.830和2.421,快速谱峭度分析方法未能提取出故障分量;试验2中诊断方法分解得到的故障分量峭度为3.467,优化处理后故障分量的峭度为19.780,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为3.231和3.361,快速谱峭度分析方法未能提取出故障分量;提出的方法能够增强瞬态特征和故障特征频率,在齿轮箱故障诊断方面更具准确性和优越性.