重型石油齿轮传动系统是大功率压裂车组、固井水泥车组和抽油机等石油钻采装备中的关键传动系统,随着现代化科技的发展,石油装备也朝着高自动化、复杂化和集成化的方向发展。当齿轮箱发生故障,将会导致整个石油装备无法正常工作,进而影响到整个石油生产的运行。因此,研究石油装备中齿轮箱的故障诊断和预测性维护技术具有重要的意义。重型石油齿轮传动系统自身的特点在于运行工况的复杂性,石油钻采过程中存在高速重载等复杂工况,目前关于齿轮的故障诊断研究也主要集中在定工况条件下,而变工况给石油齿轮故障诊断造成了一定的困难。与此同时,故障诊断技术已经从对设备事后故障诊断阶段,发展为对设备进行故障预测与健康管理阶段,当石油设备无故障时,有必要对其进行剩余使用寿命预测。因此本文针对以上两个方面进行重型石油齿轮传动系统故障智能诊断研究。首先,本文研究了齿轮的故障机理,从齿轮的振动模型出发,分析了齿轮啮合时激励的来源,紧接着针对重型石油齿轮复杂工况的特点,分别在变工况和定工况两种不同条件下进行齿轮故障动力学仿真,对比分析齿轮在不同故障和变工况时振动信号的频谱图,从仿真的角度说明复杂工况下重型石油齿轮故障诊断的难度。其次,针对石油齿轮箱在复杂工况下承受的载荷复杂多变的特点,研究了基于希尔伯特包络谱分析的特征提取方法,在对原始信号进行时域特征提取的基础上,为了获取更多有用的故障特征信息,对不同故障中影响边频带的调制信息进行提取,利用希尔伯特包络谱方法滤掉高频,从低频信号中提取影响边频带的调制频率信息,与原始振动信号的时域指标特征组成特征集,作为后续机器学习算法的数据样本。进一步,针对重型石油齿轮故障诊断中变工况和故障类型无法诊断的问题,研究了基于SVM监督式与SOM无监督式的齿轮故障智能诊断模型,利用智能故障诊断模型对不同工况、不同故障类型和不同采集位置三种情况下的数据进行故障诊断分析;在SVM诊断模型中,从数据归一化处理、训练与测试样本数量和特征选择数量三个方面进行模型的性能评估。并对两种算法结果进行了对比分析,总结了两种算法各自的优缺点和适用性。最后,针对重型石油齿轮传动系统的剩余使用寿命预测问题,以齿轮箱中的关键性零部件滚动轴承为研究对象,研究了基于指数退化模型的滚动轴承的剩余使用寿命,因寿命预测中状态指标选取的问题,利用频谱峭度技术对滚动轴承振动信号进行特征提取,并对特征指标进行单调性分析,采用PCA方法对提取的特征进行数据降维与特征融合,确定寿命预测的状态指标,利用加速实验的轴承全寿命周期数据,验证指数退化模型的有效性。研究结果表明:(1)通过变工况的仿真分析发现,随着转速和负载的改变,特别是高速重载的情况,频谱图中没有明显的故障特征,频谱分析方法不能满足复杂工况下的重型石油齿轮故障诊断,因重型石油齿轮的实际运行工况比仿真的变工况更加复杂,基于传统傅里叶变换的分析方法在重型石油齿轮故障诊断中存在局限性。(2)基于SVM监督式的诊断结果准确率为85.7143%,基于SOM非监督式的准确率为75%。分析结果表明了模型的有效性,在SVM算法中,数据归一处理和增加训练数据样本可以提高故障分类的准确率,基于SVM监督式齿轮故障模型比SOM非监督式模型更加适用于复杂工况下的重型石油齿轮故障诊断。(3)在只采用原始振动的时域特征时,故障分类准确率为67.8571%,而只采用经过希尔伯特包络谱处理后,进行相同时域特征提取,分类准确率为78.5714%。两者组合特征集的准确率为85.7143%,证明了基于希尔伯特包络谱特征提取方法的有效性。(4)预测结果发现在37min时刻可以探测到斜率的明显变化,表明指数退化模型可以进行轴承剩余使用寿命预测,根据剩余使用寿命曲线可以提前更换轴承或进行维修,达到对重型石油齿轮箱进行预测性维护的目的。