抽油机作为石油生产行业中最常见的传动设备,其工况的正常与否直接影响到油田生产安全及效益。而齿轮箱属于抽油机地上部分的核心组成,是集电气、机械、传动等专业于一身的复杂装备,同时也是故障率较高的易损耗器件,因此以抽油机齿轮箱为研究对象,以大庆油田第四采油厂生产准备大队抽油机大修车间试验平台为基础,展开齿轮箱内齿轮和滚动轴承的故障类型识别与诊断研究工作,实现故障的准确识别。本文通过采集齿轮箱故障振动信息,主要研究了齿轮箱故障诊断过程中所涉及的信号消噪预处理、特征提取、故障类型识别等关键技术,通过大量的测试验证,在小波包算法及BP神经网络的基础上,实现故障类型的准确识别,并利用LabVIEW技术构建抽油机齿轮箱故障诊断系统,该系统具有较好的实用性,能够满足生产过程中的检修要求。本文从故障机理及信号处理为出发点,进行了大量相关研究工作,主要内容如下:(1)首先阐述了抽油机齿轮箱内部结构,在此基础上深入剖析了齿轮和滚动轴承的典型故障类别及表现形式。同时,明确齿轮和滚动轴承的振动机理及相应的故障特征信息,并以此为理论依据,确立了解决齿轮箱故障诊断问题的研究思路。(2)针对抽油机齿轮箱的故障特征提取问题,深入探讨了时域统计涉及的几种分析指标,通过对不同方向的测试点多次测试,确定较佳测试点的同时选取均方根以及峰值因子、裕度因子等能较好反应故障特征的参数作为齿轮和滚动轴承时域分析的特征参数,初步确认故障类别。在频域范围内,利用傅里叶变换得到故障信号的固有频率和边频的频带范围。为消除干扰噪声对有效信息的覆盖和干扰,研究了基于小波包算法的共振解调特征提取技术。其具体过程是先利用小波包算法分解故障信息,然后选取低频小波包系数进行信号重构,再对重构的信号进行共振解调分析,找到故障的响应特征频率。(3)在分析BP神经网络基本原理的基础上,构建齿轮箱故障识别模型,探讨了神经网络的基本参数的设置,并分别对齿轮和滚动轴承的不同工况进行编码,明确故障类型的判定规则。并用齿轮和滚动轴承的工况数据对神经网络故障识别系统进行样本训练,实现齿轮正常状态和断齿、磨损两种故障状态的识别;对于滚动轴承,可以实现正常状态以及外圈故障、内圈故障和滚珠故障的状态识别。该系统的齿轮和滚动轴承故障类型识别的准确率分别为96%和94.5%,具有较好的实际应用价值。(4)在理论分析的基础上,利用LabVIEW进行齿轮箱故障诊断系统的平台开发,通过结合Matlab实现信号的时频域分析、基于小波包的共振解调处理以及基于BP神经网络的故障类型识别。并对故障诊断结果进行显示,界面简洁清晰,并兼顾故障识别系统良好的人机交互特性,同时该系统还具备较好的可移植性和功能扩充性。