齿轮箱作为旋转机械传动系统的重要组成部分,直接决定着整个机械系统能否正常运行,对其进行早期故障诊断研究具有重要的现实意义。因此,本文主要以齿轮箱中轴承和齿轮为研究对象,在研究奇异谱分解的基础上,将其分别与Teager能量算子、奇异值分解、复合多尺度排列熵等方法结合来实现齿轮箱的故障诊断。论文主要研究内容如下:1、基于SSD和Teager能量算子的滚动轴承故障诊断方法研究研究了奇异谱分解(SSD)在处理非平稳信号方面的性能,探讨了一种基于SSD和Teager能量算子的滚动轴承故障诊断方法。首先利用SSD分解振动信号得到一组奇异谱分量(SSC),然后根据峭度准则选取峭度最大的分量作为最佳分量,最后对该分量进行Teager能量算子计算,得到信号的Teager能量谱。经仿真信号和实测信号分析发现,该方法有效解调出故障特征信息,诊断效果更佳。2、基于ISSD和奇异值分解的齿轮故障特征提取针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,研究了一种基于改进奇异谱分解(ISSD)和奇异值分解(SVD)的齿轮故障特征提取方法。该方法针对奇异谱分解算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对奇异谱分解进行改进,然后,将改进奇异谱分解与奇异值分解结合,采用奇异值能量标准谱自适应确定信号重构阶数以还原信号,提高降噪效果。最后对信号进行包络解调提取齿轮故障特征,将该方法运用到仿真信号和齿轮实测信号中,并同EMD-SVD等方法进行了对比分析,结果表明,该方法降噪和特征提取效果更佳,能够更有效地实现齿轮故障的判别。3、基于SSD与复合多尺度排列熵的风力发电机组齿轮箱故障识别针对风机齿轮箱振动信号噪声干扰严重以及故障特征提取困难的问题,提出了一种基于SSD与复合多尺度排列熵(CMPE)的风力发电机组齿轮箱故障识别方法。首先对风机齿轮箱振动信号进行奇异谱分解,利用SSD-TEO指标选取主SSC分量,然后计算主SSC分量的复合多尺度排列熵值,对齿轮状态进行初步识别。最后,将熵值组成特征向量输入到PSO-SVM中进行齿轮状态的精确识别。经风机齿轮箱实例验证发现,本文所提SSD-CMPE方法能够准确识别齿轮故障状态;与SSD-MPE方法相比,具有更高的识别精度。