齿轮箱作为工业生产中最重要的机械设备之一,其运行状态、健康状况需要时刻得到监控。随着企业生产规模的逐步扩大,传统的齿轮箱设备监测手段已经无法满足企业的需求。从齿轮箱振动信号中挖掘出的信息可以高效、准确地诊断出当前齿轮箱设备的运行状态。因此,基于齿轮箱振动信号的故障诊断是目前齿轮箱状态监测的主要研究方向。本文结合齿轮箱设备使用企业的实际需求,设计与开发了齿轮箱振动在线监测与诊断系统。(1)分析齿轮箱设备实际应用场景对系统数据采集方式的影响,设计基于Wi-Fi传输的齿轮箱振动在线监测与诊断系统数据采集方案。(2)研究基于双树复小波变换的齿轮箱振动故障特征提取方法。针对齿轮箱振动在线监测与诊断系统的鲁棒性与计算效率要求,研究双树复小波变换的原理、结构与特性。结合齿轮箱振动信号在时域、频域内的特征提取与信息熵理论,最终实现齿轮箱振动故障多维特征向量提取。(3)深度置信网络是深度学习中一种重要的模型。本文研究深度置信网络的原理、组成、训练过程,利用齿轮箱振动实验平台数据进行深度置信网络模型搭建与训练。最后与BP神经网络、支持向量机等算法进行比较,证明其在齿轮箱振动故障诊断中良好的故障分类能力。(4)基于python开发了一款齿轮箱振动在线监测与诊断系统。该系统对齿轮箱进行故障诊断时能够达到99.7%的准确率。本系统能够同时对多台齿轮箱设备进行振动故障在线监测与诊断,具有一定的实用性。