随着人们对清洁可再生能源的开发和利用,风力发电目前进入了大规模快速发展阶段。由于风电机组内部结构复杂及运行环境恶劣,随着累计运行时间的增加,机组部件逐渐老化,导致故障频繁发生,其中以风电机组传动系统中齿轮箱的故障发生尤为突出,且对风电机组造成不可挽回的严重损伤及危害,因此有必要对风电机组齿轮箱故障诊断方法进行深入分析和研究。本文将以搭建的齿轮箱模拟实验平台所采集的不同故障及正常运行工况下齿轮和轴承的原始振动信号作为分析研究对象,重点分析研究了风电机组齿轮箱轴承和齿轮的故障诊断方法,目的是提高风电机组运行可靠性。针对齿轮箱出现故障率较高的齿轮和轴承,本文主要做了以下研究工作。(1)分析了风电机组齿轮箱故障形成原因、机理及相关故障特性,介绍风电机组和齿轮箱的基本结构,阐述了目前风电机组齿轮箱故障诊断常用的几种方法及存在的优缺点。(2)针对风电机组齿轮箱轴承故障,提出一种基于最大相关峭度解卷积(MCKD)-局部均值分解(LMD)模糊熵与BP神经网络相结合的故障诊断方法。首先将齿轮箱模拟实验平台所采集的原始含噪轴承振动信号进行MCKD降噪预处理过程,并将去噪后所得到的振动信号经LMD分解处理,得到一系列能够表征故障特征信息的乘积函数分量(PF)。其次利用模糊熵能够表征时间序列复杂程度并具有稳定的统计性的特点,计算PF分量的模糊熵,组成N维特征向量,实现故障特征向量量化。最后构建BP神经网络模型,将归一后的特征向量输入模型进行训练,实现故障类型识别。通过实验对比分析,说明了本文所提出的针对风电机组齿轮箱轴承故障诊断方法的可行性。(3)针对风电机组齿轮箱齿轮故障,考虑到其现场所采集的原始故障振动信号具有一定的非平稳非线性、表征故障的特征信息微弱和受现场环境噪声衰减影响较严重等客观因素存在,提出一种基于SVD降噪-经验模态分解(EMD)提取复杂度和SVM相结合的风电机组齿轮箱齿轮故障诊断方法。首先将齿轮箱模拟实验平台所获取的原始齿轮含噪振动信号进行奇异值分解滤波降噪预处理过程,得到去噪振动信号,然后采用经验模态分解技术对降噪后的信号进行故障特征提取,并对分解得到的各本征模态函数(IMF)分量进行LZ复杂度计算和归一化处理,得到表征故障信息的特征向量并将其输入到支持向量机(SVM)模型中进行训练和测试,最终将得到风电机组齿轮箱齿轮故障模式类型与诊断结果。实验验证了本章节所使用的方法可以准确的实现对风电机组齿轮箱齿轮的故障类型进行判断和识别并得到诊断结果,为风电机组运行维护提供了可靠的、有价值的参考依据。