1.一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法，其特征在于包括如下步骤：步骤1采集目标齿轮箱的振动信号；

步骤2采用基于频谱趋势的方式对变分模态分解方法进行改进，利用改进的变分模态分解方法对齿轮箱的振动信号进行分解，得到振动信号的各个模态分量；

步骤3对获得的模态分量进行解调分析，获得各个模态信号的特征频率；

步骤4将特征频率与齿轮箱的各个齿轮转频进行对比，定位齿轮箱的故障源。

2.根据权利要求1所述的一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法，其特征在于；步骤2)采用基于频谱趋势的改进变分模态分解方法来对齿轮箱的振动信号进行分解，得到振动信号的各个模态分量，具体步骤如下：

2.1)对振动信号进行Fourier变换，获得振动信号的频谱；

2.2)利用经验模态分解(EMD)算法对振动信号的频谱进行自适应性的分解，获得信号频谱的本征模态函数(IMFs)及其残余；

2.3)对部分IMFs和残余进行重构，获得振动信号的频谱趋势；

2.4)统计频谱趋势中的极大值个数M并将所有极大值的横坐标并归一化为xm；

2.5)设置模态个数估计量K＝M，初始的中心频率

2.6)利用步骤2.5)中设置的参数对振动信号进行变分模态分解，最终得到振动信号的各个模式函数。

3.根据权利要求1所述的一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法，其特征在于步骤2.3)中的部分IMFs一般为最后4个或5个。

4.根据权利要求2所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤3中的解调分析的方法包括基于Hilbert变换的包络解调方法和基于Teager能量算子的解调方法。

5.根据权利要求2所述的一种基于改进经验小波变换的齿轮箱故障识别方法，其特征在于步骤2.5)中将频谱趋势中极大值的横坐标归一化之后作为初始化的中心频率。