在机械传动系统中,齿轮箱是故障多发的部件。在变工况条件下,传统故障诊断方法难以对齿轮箱故障进行准确检测和有效识别。通过搭建实验台采集变工况条件下的齿轮箱振动信号来研究其信号特点,验证了齿轮箱在变工况运行时信号表现为转速和负载的变化,且振动信号是非线性的多分量信号等特点。信号的非线性多分量特点使故障特征难以提取;转速的不断变化会在频谱中出现频率“涂抹”现象,难以确定特征频率;负载变化导致正常齿轮与故障齿轮信号的特征相似,故障难以识别。针对以上问题本论文开展了以下研究工作:首先,在基于固定字典的形态分量分析(Morphological component analysis,MCA)方法基础上,提出了基于字典学习的形态分量分析方法用于滚动轴承故障特征提取。分别以轴承内圈、外圈故障信号为训练字典的样本,应用K-SVD(K-singular value decomposition)字典学习算法对样本进行字典学习,找到最优的字典空间;将学习到的字典替代MCA中的固定字典,根据信号所包含各成分的形态差异性,利用MCA对滚动轴承故障信号中的内、外圈故障特征和噪声成分进行分离;根据包络后特征分量的频谱图分析和诊断轴承的故障。其次,分别使用基于数字微分的计算转速曲线方法和线性调频小波路径追踪(Chirplet Path Pursuit,CPP)的瞬时频率估计方法获取振动信号中的转速信息;对转速曲线积分得到时间转角函数,根据阶次跟踪理论确定角度重采样阶次和重采样角度,通过对时间转角函数插值计算等角度采样的时间序列;使用计算出的时间序列对原信号进行样条曲线插值,将非平稳信号转化为角域的平稳信号,解决变转速引起的频率“涂抹”问题。最后,提出基于形态分量分析的变工况齿轮箱故障诊断方法。先使用阶次跟踪方法将非平稳信号转化为角域平稳信号,然后使用形态分量分析方法从角域平稳信号中分离出冲击、简谐分量与噪声成分,提取齿轮箱非线性、多分量信号中的故障特征,再对冲击分量做角域平均突出故障特征,最后进行瞬时功率谱(Instaneous power spectrum,IPS)分析识别齿轮是否存在故障。本文形态分量分析方法在选取字典时使用了字典学习的方法,从仿真和实验的结果可知,学习到的字典比固定字典更能匹配复杂信号的结构特征;针对齿轮箱变转速、变负载和振动信号是非线性、多分量信号的特点,将形态分量分析方法,阶次跟踪方法和瞬时功率谱有机的结合起来,实现了变工况情况下的齿轮箱故障诊断。