风机主要应用于国民经济各领域以及各种场所的通风换气,其中石油化工、冶金、电力、纺织、船舶和城市轨道交通等应用最多,随着企业装置的大型化,风机也趋大型化。风机的运行环境及工况大都比较恶劣,且连续生产,这就导致风机容易发生故障。齿轮箱作为重要的传动部件,也是故障多发部件,因此对大型风机齿轮箱进行在线监测与故障诊断研究,以期尽早发现潜在故障,进行“预知维修”,可以有效的避免故障引起的突发事故,减少不必要的经济损失。但由于风机的运行工况大部分都处在强背景噪声中,齿轮箱早期故障的微弱信号就极易被背景噪声淹没,因此,风机齿轮箱的故障诊断带面临着许多问题。本论文针对上述问题,把风机的齿轮箱为研究对象,以振动传感器所采集的生成数据为基础,重点对齿轮箱部件振动特征信号进行准确的提取,以期提高故障诊断的正确率,达到大型风机齿轮箱的在线监测于故障诊断的目的。本文主要研究内容如下:(1)对风机和齿轮箱的基本结构进行了研究,详细剖析了齿轮箱各部件发生故障的比例及其主要的失效形式,对齿轮和滚动轴承故障状态下的振动信号模型和故障特征进行了分析。(2)基于常见的故障诊断方法及信号处理方法,对各种方法的优缺点进行了分析,为大型风机齿轮箱在线监测与故障诊断提供了理论依据。(3)针对风机使用现场的环境影响,原始故障振动信号属于非平稳及非线性的微弱信号,应对信号进行滤波降噪处理。通过实验室机组进行了振动数据测取,然后进行了数据处理,得到了多维无量纲指标,根据无量纲指标判断齿轮箱是否存在故障。鉴于多维无量纲指标之间存在一定的交叉重叠,且计算量过大,由此借助了主成分分析法进行降维分析;并利用检验数据验证了主成分分析法的有效性。(4)基于实验室齿轮箱的研究基础及现有试验条件,对实验机组进行了在线监测实例验证,使用2个传感器对正常状态、齿轮磨损、齿轮断齿、齿轮点蚀、齿轮裂纹、轴承内圈磨损、轴承外圈磨损和保持架断裂胶合8种情况在1200r/min的转速下进行测试,运用主成分分析进行降维,100%区分出异常,并能明确区分出异常中的5种故障,准确率达75%,由此可应用于工业风机齿轮箱的在线监测与故障诊断。