齿轮在发生故障时,其故障信号是同时具有幅度调制与频率调制的多分量信号,通过对该调制信号进行解调可以有效地提取出齿轮的故障特征信息。而传统的解调方法只适用于单分量调制信号的解调,在处理多分量调制信号时,结果往往并不准确。同时齿轮故障信号中往往含有大量的噪声,严重影响着故障诊断的准确性。为此,本文针对如何从具有噪声干扰的齿轮故障信号中准确地提取出齿轮的故障特征信息,进行了以下研究：首先,对多分量调幅调频信号的时延自相关函数进行了研究。结果表明,多分量的调幅调频信号经过时延白相关处理后,仍是多分量的调幅调频信号,并且各单分量中仍然蕴含着原信号的各调制信息；多分量调幅调频信号的频谱中各调制边频带的能量也会因时延自相关处理而明显地减小,使得能更加准确地从其频谱中识别出原信号中所蕴含的各载波频率。其次,对经验模态分解以及局部均值分解等常用的信号分解方法进行了对比,并对其在多分量调幅调频信号的分解与提纯中的应用进行了研究。结果表明,局部均值分解方法较经验模态分解方法更加适用于多分量调幅调频信号的分解,其对多分量调幅调频信号的分解与提纯有着更加良好的效果；局部均值分解方法分解所得的PF分量较经验模态分解所得的IMF分量与Hilbert包络解调这类针对调制信号的解调方法有着更加良好的匹配性；局部均值分解的准确性容易受到噪声的影响,需要将局部均值分解方法与有效的降噪方法相结合才能得到良好的分解结果。然后,将时延自相关处理与局部均值分解方法相结合,提出一种有效的齿轮故障诊断方法。该方法首先对齿轮故障信号进行时延自相关处理以减小噪声干扰,再通过局部均值分解对多分量进行分解,获得一系列的提纯PF分量,再通过对各提纯PF分量分别进行Hilbert包络解调以及FFT分析,最后通过幅值叠加的方式获得联合包络解调谱以及联合幅值谱,从中便可准确地提取出齿轮的故障特征信息。最后,通过模拟实验对该方法进行了测试,并将其与Hilbert包络解调以及时延自相关解调等方法进行了对比。结果表明,该方法能有效地从具有噪声干扰的多分量的齿轮故障调幅调频信号中提取出齿轮故障特征信息,并且其诊断结果也更加准确。