大型机械设备由于本身结构复杂而且大多数在恶劣环境下工作,因此能够及时、准确地监测出机械设备的运行情况和诊断出故障特征,是保证机械设备稳定、安全运行必不可少的部分。故障特征提取是故障诊断技术的关键,然而大多数的机械设备都处在强背景噪声的工况下运行,提取到的振动信号往往都是非线性、非平稳的,因此有效的信号降噪方法是提取机械设备故障特征的前提和关键。本文从双树复小波变换、高阶累积量、变分模态分解理论出发,把齿轮箱作为研究对象研究了在高斯噪声和自然背景噪声下振动信号去噪与特征提取的问题,并引入粒子群算法做参数优化。本文主要研究方法和结论如下:(1)由于传统阈值降噪方法对小波系数分别进行软、硬阈值处理时在强背景噪声下齿轮箱振动信号降噪效果不理想,而且用阈值分别处理实、虚部的方法会引起局部相位失真。利用双树复小波变换的平移不变性,提出了双树复小波变换和高阶累积量的齿轮箱振动信号降噪方法。算法对各层小波系数采用了四阶累积量的处理方法,根据信号和噪声的统计特性进行信噪分离。由于小波分解层数的多少会直接影响信号的去噪效果,因此本文采用粒子群算法自适应选择小波的分解层数。仿真和实验信号处理结果表明,该方法与双树复小波变换的软、硬阈值处理方法相比在不同信号和噪声水平下更能有效的抑制噪声干扰,提高信噪比,并且能够满足齿轮疲劳磨损实验中对采集到的振动信号进行后续处理的需求。(2)针对在强背景噪声下提取的齿轮箱故障特征效果不理想问题,提出一种参数优化变分模态分解和高阶累积量的齿轮箱故障诊断方法。首先,利用粒子群算法搜索优化变分模态分解分量的个数。故障信号经过变分模态分解为若干个本征模态函数分量(IMF),将各分量进行四阶累积量降噪处理,找到包含故障特征频率的分量。然后将筛选出的IMF分量进行包络解调运算求其包络谱,从而有效地提取出故障信号的特征频率。仿真和实验信号处理结果表明,该方法与EMD处理方法相比更能有效地提取出故障特征频率信息,很好的抑制了噪声干扰,并且可实现齿轮箱振动信号中故障特征的有效提取,具有一定的可行性和应用价值。(3)针对双树复小波变换存在频率混叠以及参数自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法,该方法综合利用了双树复小波变换和变分模态分解技术(DTCWT-VMD)。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量的峭度值作为适应度函数,选择双树复小波的最优分解层数。其次,对重构出的低频信号进行频谱分析提取故障特征。将单支重构后的各高频分量进行变分模态分解,通过峭度值自主获得各高频分量经变分模态分解后的主频率分量信号。最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。通过仿真信号和齿轮箱振动实验信号的研究结果表明,该方法分别与双树复小波变换、变分模态分解以及经验模态分解相比,不仅消除了频率混叠现象,提高了信噪比和选择主频率分量的自主性,而且提高了从强噪声环境中提取故障特征的能力。(4)峭度作为判定信号有无故障的指标,是无量纲参数,与其他外界因素等无关,对强冲击故障较为敏感,非常适用于诊断表面损伤类故障。峭度指标绝对值越大的分量中含有故障冲击的成分越多。依据峭度最大原则选取出相关频段信号做分析,可以有效地检测到瞬态信号。本文将其作为适应度函数的判断依据,应用于粒子群优化变分模态分解分量个数和双树复小波分解层数中,以及用于自主获得各高频分量经变分模态分解后的主频率分量信号中,具有很好的特征提取效果。