齿轮故障是指在齿轮动力传递过程中出现的各种异常状态，常见故障类型包括齿面点蚀、断齿、齿轮偏磨等。这些故障会导致齿轮传动系统产生异常振动和噪声，进而影响设备的正常运行。 齿轮传动系统故障具体表现在两个方面：一是输入轴与输出轴偏差引发附加交变应力，导致轴不对中、不平衡等问题；二是在循环接触应力作用下，齿轮表层可能产生微观裂纹并逐步扩展，形成麻点状凹坑，严重时可能会产生片状剥落等现象。 

齿轮在变速箱内部的状态关系到整个变速箱的正常运转，如不能提前预知其运行状态，往往会突发故障或进一步引发设备非正常性停机(比如齿轮损坏)。为保证设备正常运转，在变速箱每级齿轮轴两端安装振动传感器，采集变速箱每个测点实时信号并上传到在线监控系统。通过对这些实时数据的分析，可以诊断齿轮故障(磨损、剥落、断齿等)，提前预知齿轮的轻微劣化状态，明确故障原因，为维检修工作提供可靠指导。 

从齿轮传递动力和扭矩的原理来看，同一时刻传递动力和扭矩的仅仅是1个齿，这个齿需要承载巨大的载荷和扭矩，一旦出现润滑不良、杂质进入或者制造工艺缺陷，很容易导致齿轮损伤或损坏，这会进一步扩散到与之啮合的其他齿轮上面，最终导致整个齿轮全部损坏，齿轮动力传递啮合受力点如图1所示。

图 1 齿轮传递啮合受力点示意图

变速箱齿轮常见的故障有以下几种。

(一)断齿故障 

齿轮系统中，轮齿断裂作为高发失效模式具有明显的力学特性。其损伤位置通常集中于齿根区域，该区域在齿轮啮合过程中不仅承受周期性最大弯曲应力，同时因几何形状突变形成应力集中效应，成为断裂萌生的高危区域。根据断裂发展过程和损伤程度的差异，此类故障在工程实践中可进一步划分为疲劳断裂、过载断裂和偏载现象三种典型类别。 

在断齿故障的诊断中，主要需要用到齿轮啮合频率、高速轴转动频率和低速轴转动频率，其中断齿所在轴的转动频率会影响齿轮啮合频率，形成典型的啮合频率边带特征。这些诊断规则可以写入诊断规则库，从而实现人工智能诊断。

(二)点蚀故障

闭式齿轮传动的齿面损伤中，点蚀是一种典型失效模式，其显著特征为齿根近节线区域呈现密集的麻点状剥落。该损伤的形成机制与交变接触应力密切相关。 在齿轮啮合过程中，齿面承受的脉动循环接触应力若超过材料的接触疲劳极限，会在齿面表层产生微观疲劳裂纹。在后续啮合过程中，这些裂纹因齿面挤压作用反复开闭，导致封闭在裂纹缝隙中的润滑油产生高压油楔效应。 这种动态油压作用不仅促使裂纹向材料深处扩展，还会加速裂纹的网状连接，最终引发裂纹网络的形成和表层材料的片状脱落。 

相较于闭式传动系统，开式齿轮传动系统由于缺乏封闭的润滑环境，暴露式工作环境加速了齿面的磨粒磨损进程，使得材料表面的疲劳损伤与磨损速率形成动态竞争关系，齿面磨损速率显著高于疲劳裂纹的萌生与扩展速度。在交变应力引发的微观裂纹尚未形成完整损伤前，持续的磨粒磨损已将潜在缺陷层去除，从而避免了点蚀现象的产生。这种磨损主导的损伤模式从根本上抑制了裂纹扩展所需的临界条件，由此形成开式齿轮传动不易产生点蚀现象的特殊机制。

齿轮点蚀故障判断规则和断齿类似，也可以看作是断齿的早期状态，因此，在人工智能识别上存在误差，难以进行有效区分。

(三)磨损故障 

齿轮磨损失效的机理表现为磨料磨损与疲劳破坏的交互作用。 在齿轮动力传递过程中，外部污染物 (如粉尘、颗粒物及润滑剂携带的金属碎屑) 进入齿面，从而在齿合面产生三体摩擦效应。 同时，齿面加工缺陷(表面粗糙度过大、加工纹理异常)会加剧接触应力集中，在润滑介质失效(油膜厚度不足、极压性能下降或污染劣化)的情况下，形成混合润滑甚至干摩擦状态。尤其在叠加轴线不对中造成的偏载效应时，接触区将产生非均匀应力分布，进一步加速疲劳裂纹的萌生与扩展。这些损伤的协同作用会导致齿廓几何精度丧失，引发啮合冲击载荷增大、振动能力激增等动态响应异常，最终诱发宏观失效模式。 整个失效演化过程呈现“磨损能积累—动态激励突变—承载能 力衰退”的递进规律，在实际工程监测中，可通过油液理化指标检测以及振动频谱诊断等方法，实现早期预警。 

齿轮磨损故障判断规则不同于断齿故障和点蚀故障，主要判断规则为齿轮啮合频率的高低。这一判断规则较为清晰明确，可以写入人工智能规则，较容易实现人工智能自诊断。

(四)胶合故障 

变速箱在运转过程中，齿轮齿面接触区域承受交变接触应力和滑动摩擦力的多元耦合作用。 这种复合载荷作用会诱发啮合区域瞬态温升效应，当热/ 力载荷超过材料极限时，接触表面将发生微区熔融焊合现象；随着啮合循环次数的累积，最终导致齿面材料剥落失效。这种突发性损伤将引发齿轮传动系统的连锁故障响应。 

综上所述，变速箱齿轮故障类型多样、成因复杂，其振动信号在时频域呈现复杂的调制特征。 因此，在进行齿轮系统故障诊断时，必须构建包含时域统计参数、频域特征谱线及高阶谱分析的多维度特征融合模型，通过建立振动信号与故障模式之间的非线性映射关系，实现齿轮系统早期故障的精准辨识与失效机理的定量分析。 此类故障暂时无法制定统一判断规则，需要结合诊断理论技术和实际维修经验才能进行准确判断，短时间难以实现人工智能诊断。 

设备故障诊断类似人类医学的疾病诊断，不能单纯依赖大数据，否则容易出现与物理定律相悖的错误结论，所以人工智能大模型在齿轮故障诊断中的应用首先要确认和夯实诊断机理、设备运行机理、故障机理等，以此为基准和出发点，并结合机器学习和深度学习技术。 机器学习方法如支持向量机、随机森林等，通过训练分类器来识别故障类型；深度学习方法如卷积神经网络、循环神经网络等，自动学习故障特征，处理复杂的非线性关系，能够完善和快速填补智能诊断经验积累速度慢等短板 。 

数据预处理是人工智能应用的关键步骤，包括数据筛选、规则制定、规则输入、数据和案例导入以及故障结果与故障照片导入等操作，目的是有效提高整体数据闭环质量。 特征提取则是指利用人工智能算法从原始数据中提取有意义的故障特征，如时域波形、频谱分析特征、特征值等。模型训练与优化过程需要选择合适的网络结构、损失函数和优化算法，通过大量数据训练模型，并不断调整参数以持续提高诊断准确性。 

齿轮传动的特点是啮合过程中啮合点的位置和参与啮合的齿数都是周期性变化的，这就造成了齿轮与轮齿的受力和刚度呈周期性波动，由此而引起的振动必然含有周期性成分，反映这个周期性特征信息的就是啮合频率及其高次谐波。 

传统故障诊断方法主要依靠振动信号分析、油液分析等手段，通过提取故障特征并与已知模式进行比对来实现故障识别。常见不同齿轮故障诊断案例如下： 

(一)齿轮点蚀故障 

齿轮点蚀故障模型如图2所示，其诊断依据与AI诊断逻辑规则如下： 

一是图2变速箱齿轮振动监测频谱中，发现齿轮啮合频率旁边有明显的3轴转频的1个边频带；二是三轴总振值为1.36mm / s，啮合频率振动值达到1.2mm / s，其余为边带频率；三是图2时域波形存在明显的“团”式冲击波形。

图 2 齿轮点蚀故障模型

(二)齿轮断齿故障 

齿轮断齿故障模型如图3所示，其诊断依据与AI诊断逻辑规则如下： 

一是出现1X旋转频率，齿轮旋转不平衡；二是1X后方出现不明频率，由于频率和转速无关，因此大概率为设备固有频率；三是齿轮啮合频率2mm / s 左右，但变频带幅值接近齿轮啮合频率，齿轮存在缺陷； 四是齿轮变频带出现3个及以上齿，齿轮3个或3个以上齿存在缺陷；五是在时域波形中出现明显的齿轮断齿图谱。

图 3 齿轮断齿故障模型

(三)齿轮偏磨故障 

齿轮偏磨故障模型如图4所示，其诊断依据与AI诊断逻辑规则如下： 

一是二轴速度谱中低频段有1X及其谐波，且谐波较小；二是二轴速度谱中齿轮啮合频率无明显谐波，但出现二轴大齿轮啮合频率边带，且有1个边带高度达到齿轮啮合频率的85% ；三是速度谱时域波形中出现明显冲击频率，且周期0.11s，与二轴转频一致。

图 4 齿轮偏磨故障模型

这些振动分析方法和诊断逻辑存在诸多局限性。首先，其分析人员需要掌握一定的齿轮运行原理、信号处理原理等基础信息。 其次，还要有拆解变速箱齿轮的经验。以上原因促使我们探索更加智能、高效的齿轮故障诊断方法，通过将诊断逻辑输入到AI大模型当中，生成拥有诊断逻辑基础的诊断大模型，可以在较少故障案例的情况下，快速适配到更多的变速箱齿轮故障分析数据中 。 

采用 AI 诊断齿轮故障具体包括以下几个步骤：首先，构建齿轮故障诊断基础规则，如齿轮啮合频率代表齿轮啮合力度，与齿轮负载相关，边频带表明存在信号调制现象，调制频率的高低确定故障来自哪一组齿轮，边带数量确定齿轮损坏的数量，齿轮啮合频 率的谐波表达齿轮啮合的程度与偏差情况等。 在此基础上，正确全面地建立齿轮故障数据库，收集各种故障状态下的振动、噪声等数据，并进行标注。最后，设计适合齿轮故障诊断的AI模型架构，如基于卷积神经网络的故障分类模型。

(一)输入阶段规则预处理：在输入文本中嵌入规则标记( 如 [legal])，以提示模型关注特定规则。动态提示工程：根据规则生成引导性提示 (Prompt)。

(二)训练阶段 诊断逻辑规则约束的损失函数：

强化学习 ( RL)： 使用规则作为奖励信号 ( 如RLAIF)。

(三)输出阶段 

规则后处理：对生成结果进行过滤或修正(与实际情况对照)。 

(四)并行推理层

大模型生成候选输出，规则引擎同步验证。 

示例架构：

(五)嵌入式规则模块 

在Transformer中插入逻辑层(如通过逻辑张量网络)。工具：PyTorch的TorchLog、TensorFlow LogicNets规则引擎集成 

- Drools：适用于Java生态的规则引擎。

- Clips：适用于复杂的决策逻辑。

- SWI-Prolog：用于逻辑编程。 

- 框架支持

- NeMo Guardrails(NVIDIA)：为 LLM 添加可编程规则。 

- LangChain：通过自定义Chain集成规则进行检查。

-频谱图工具 

- Apache Jena、Stardog(用于知识推理)。 

测试用例设计 

- 生成对抗样本检查规则漏洞(如故意输入违规内容等)。

- 量化指标：规则符合率、语义流畅度( BLEU， ROUGE)。 

- 持续优化 

- 规则冲突检测(如用 SAT 求解器检查逻辑一致性)。 

- 动态规则更新(如通过在线学习来适应新规则)。 其中核心的逻辑流程如图 5 所示。

图 5 齿轮故障诊断模式融入人工智能诊断逻辑流程

在诊断模型训练过程中，需要投喂大量的健康齿轮数据，同时需要大量的故障齿轮数据与验证结果， 利用迁移学习、数据增强等技术提高模型的泛化能力。 通过调整超参数、优化损失函数以及采用优化策略等，提升模型的诊断性能。在此基础上，首先对改进后的模型进行系统性训练，随后通过准确率、召回率等评估指标，对优化后的模型进行全面评估，以量化其诊断效果。 这种分阶段验证流程既可有效提升算法性能，又能科学验证模型在真实场景中的临床应用价值。 

实践结果表明，采用人工智能诊断齿轮故障已取得一定效果。 在仅拥有几十条规则和案例的情况下，人工智能诊断齿轮故障就可以实现自动诊断并输出结果，虽诊断正确率为80%左右，比拥有丰富诊断经验的分析师略低15% ，但已经可以应用在一般变速箱需要快速诊断的场合，或缺乏诊断人员的场合，具备 很高的实用价值。 

通过对比实际的齿轮故障诊断案例，验证了人工智能诊断同类齿轮故障的可行性。通过构建专门的齿轮故障数据库及设计合适的模型架构，实现了人工智能诊断的最终效果，具备较好的应用前景。这种方法不仅适用于齿轮故障诊断，还可推广到其他机械设备的故障识别，如机泵、压缩机、风机等，为工业设备的智能维护提供了参考。

作者简介：姜小艳(1981—),女,兰州职业技术学院人工智能学院讲师,硕士,主要从事计算机技术及应用研究。