齿轮箱作为调节转速和传递扭矩的常用旋转机械设备,在工业生产中得到了广泛应用,齿轮箱的正常运行是旋转机械安全稳定生产的前提条件,因此,实现齿轮的早期故障诊断具有重要意义。在实际生产中,由于存在诸如传感器安装不便,易受背景噪声干扰等缺陷,导致传统的振动信号分析法和噪声分析法难以实施。电机电流特征分析法是一种具有信噪比高、信息集成度高、信息获取方便等优点的齿轮故障诊断方法。许多大型旋转机组的运行过程中,由于机组状态变化较大,经常伴随着转速的升降。因此,对转速变化下的电机电流进行故障特征提取与分析很有必要。论文以电机启动电流信号为例,通过对其等角度重采样信号的故障特征提取,来实现对齿轮箱典型故障的有效识别。主要研究内容和结论如下:首先,介绍了基于电机电流信息的转子系统故障诊断方法研究,然后进行了转子系统齿轮故障对电机定子电流的变化规律探究,建立了转子系统负载与电机电流的数学模型以及不同齿轮故障激励的数学模型;并根据电机学基础在Matlab/Simulink模块中建立矢量控制型调速电机与齿轮扭矩输出的一体化耦合模型,选择不同的故障激励函数,分别采集电流信号并进行故障识别研究。其次,以启动电流为例,进行了变转速下电流信号特征提取方法的研究。作为一种典型的时域非平稳信号,传统的时域、频域分析方法不能对启动电流的故障特征进行有效提取,因此提出了基于等角度重采样的时频域分析法。此法先将时域非平稳信号转化为角度域平稳信号,然后进行时、频域的特征提取与分析。考虑到转速计、光电编码器安装不便等问题,本文选用一种基于瞬时频率估计的无转速计等角度重采样方法。并基于此方法成功的实现了启动电流信号的角域重采样,然后对重采样信号进行了阶次分析和时域特征参量分析,初步完成了齿轮故障的诊断。最后,对齿轮故障的模式识别方法进行了研究。利用特征评估方法选出重采样电流信号的敏感时域特征参量,分别采用基于统计学习理论的SVM分类方法和基于知识的BPNN分类方法进行故障模式识别,并对齿轮故障识别率进行分析与对比。结果表明:在对电机启动电流信号的特征参量进行齿轮故障识别时,GA-BPNN具有更好的适应性和更高的准确率。其得到综合故障识别率为90.1%,其中断齿故障识别率96.32%,磨损故障识别率81.51%,正常齿轮识别率92.47%。