由于齿轮箱振动信号在变转速工况下出现的调频、调幅等现象，使得信号征兆与故障模式之间的映射关系变得复杂，导致齿轮箱故障难以精确诊断。鉴于深度神经网络在自动提取数据特征和分类上的优势，提出一种基于无阈值递归图编码(Un-threshold Recurrence Plot，URP)和自适应归一化卷积神经网络(Adaptive Normalized Convolutional Neural Network，ANCNN)的变转速工况齿轮箱故障诊断方法。该方法先使用快速傅里叶变换(Fast Fourier Transform，FFT)将时域信号转化为频域信号，再利用URP 编码将得到的频域信号转化为二维递归图，并提取图像特征输入到ANCNN模型。在ANCNN模型中，采用批量归一化算法消除因转速变化引起的特征分布差异，同时处理转速波动下产生的频移和调制特性，并使用遗传算法自动调整该网络模型的超参数，以提高该网络的整体性能。采用转速波动的齿轮箱试验数据对该方法进行验证，实验结果表明，该方法能够克服转速波动的影响，成功实现对不同齿轮故障的准确识别。

针对在变转速下齿轮的故障特征提取与故障识别，提出一种基于自适应时变梳状滤波(Adaptive Timevarying Comb Filtering，ATVCF)与模糊C均值(Fuzzy C-means，FCM)聚类的故障识别方法。该方法先用ATVCF方法对变转速下的齿轮振动信号进行时变滤波，并计算滤波信号的均方根值和样本熵，以此构建特征向量矩阵；然后通过FCM对训练样本的特征向量矩阵进行分析，获取各状态下的聚类中心；最后通过计算测试样本与各聚类中心的欧式氏距离来识别测试样本的状态。采用风力机传动系统模拟故障试验台(Wind Turbine Drivetrain Diagnostic Simulator,WTDDS)的齿轮不同状态数据验证了该方法识别变转速下齿轮故障的有效性；同时，通过与直接FCM和经验模态分解(Empirical Mode Decomposition，EMD)-FCM方法的聚类效果对比，凸显了该方法的优越性。

针对变转速下的齿轮故障特征的降噪问题，提出了一种基于自适应时变滤波(Adaptive Time-varying Filtering, ATF)与集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)的齿轮故障特征降噪方法。该方法首先用线调频小波路径追踪(Chirplet Path Pursuit，CPP)算法从变转速下的齿轮故障振动信号中估计出齿轮啮合频率，并依据该啮合频率设计时变滤波器；再利用该时变滤波器对齿轮故障振动信号进行滤波，将滤波器阻带内的噪声予以去除；然后采用EEMD方法对滤波后的信号进一步降噪，减少滤波器通带内的噪声干扰；接着利用时变滤波器对降噪后的信号再次进行滤波，消除EEMD降噪时在阻带带来的噪声干扰；最后对降噪后的信号进行阶次分析，提取齿轮故障特征。对齿轮局部故障的算法仿真和应用实例分析表明，该方法不仅可以消除阻带的噪声干扰，而且对通带内的噪声也有较好的抑制作用，可有效凸显齿轮的故障特征。