本课题主要以冶金企业的轧钢设备中典型关键设备减速机(即齿轮箱)为具体的研究对象，在基于振动信号测试的基础上对减速机进行状态监测及故障诊断。减速机是机械传动中应用非常广泛的一种通用部件，一般由若干组齿轮、轴、轴承、联轴器、润滑装置及箱体等部分组成，承担着传递动力与运动的任务。减速机中任何一个部件的故障都能影响整体正常工作。而各种部件的故障或以单一形式出现，或是以多个故障形式同时出现。在减速机故障中，由于齿轮系统故障所占比例最高，因此齿轮系统故障所导致的减速机故障尤为值得关注。通常，在齿轮故障发生的初期，由故障引起的振动变化非常小，往往淹没在其它因素所引起的各种振动信号当中。因此，常规的频谱分析法在减速机的早期故障诊断方面显得无能为力，如不能及时发现问题并及早的采取措施将导致严重的后果，因此如何对含有故障信息的各种振动信号进行分析，并从中提取有用的故障信息，对于减速机的早期故障监测和诊断来说，具有十分重要的意义。 本文对减速机状态监测与故障诊断采用了多种信号处理方法进行，包括基于机械振动信号的时域分析技术、频谱分析技术、小波及小波包时频分析技术的信号处理方法，神经网络技术的模式分类方法。从时域分析的角度对故障减速机进行有效的状态监测，从频谱分析到小波理论对故障减速机进行故障特征信息的提取，结合小波变换及小波包分解能有效地对含噪声振动信号进行消噪以及对信号进行多分辨分析的优势，从中提取它们各自的有效频段，得到典型的特征参量，将特征参量与统计学、神经网络的优势相结合，根据所研究对象工作类型的特殊性来判别故障的类型，尽早的发现故障征兆，予以排除。结合诊断实例证明，以上方法能够很好的对故障减速机进行状态监测和故障诊断。