齿轮箱的工作信号属于非平稳信号,极易受到外界干扰,尤其是在工业强噪声背景下,同时,工业生产中的故障信号往往以多故障并存的形式出现,这些位置、深度不同的故障会相互影响,给故障信息的提取提高了难度。到目前为止,齿轮箱的故障诊断问题仍然是一大重点与难点亟待攻克。针对现阶段存在的问题,在山西省自然科学基金(2015011063)的资助下,将齿轮箱作为研究对象,采用现阶段较为新颖的故障诊断方法,以齿轮箱的复合故障信号作为研究目标,对强噪声背景下的故障信号进行故障特征提取,在目前的研究背景下对微弱复合故障的提取进行深入研究。论文主要研究内容如下:(1)对变分模态分解(Variational mode decomposition,VMD)研究时发现,信号中噪声的强弱对该方法的分解结果影响较大,同时其分解层数k直接影响其分解结果,对如何确定分解层数k与信号的降噪问题展开了研究。(2)针对噪声问题,采用最小熵反褶积(Minimum entropy deconvolution,MED)方法与VMD方法相结合,目的是采用MED的强降噪能力消除信号中含有的强噪声,研究发现,引入MED方法后,VMD分解结果有明显改善,同时信噪比与峭度有所提升。(3)针对如何确定分解层数k值的问题,引入局部均值分解(Local mean decomposition,LMD)作为辅助工具,确定分解层数k,与此同时发现,LMD方法对信号也有一定的降噪能力。针对以上问题与现阶段故障诊断方法的现状,提出了采用MED和LMD对VMD方法进行改进的故障诊断方法。采用若干复合故障诊断方法对仿真信号与实测故障进行处理,成功提取了故障信息。以上研究为故障诊断方法研究提出了一种新思路。