能源短缺、环境问题日益凸显,风电作为一种清洁的可再生能源,受到了世界各国的广泛关注。然而,风电机组结构复杂,长期工作于变载荷、多工况和大温差等恶劣环境下,机组各设备极易出现各种故障,造成了较高的运维成本,对机组运行状态进行监测与诊断,有利于提高其安全稳定运行和降低维修损失。风电机组各设备之间藕联性较强,使得其振动信号表现非平稳特性,传统方法难以精确检测风电机组非平稳振动信号和现有许多故障诊断方法诊断正确率较低。为此,本文将变分模态分解引入到风电机组的振动故障诊断中,详细研究了基于变分模态分解的风电机组非平稳振动信号的检测与故障特征提取,并搭建了基于改进粒子群算法优化支持向量机的诊断模型,以期实现风电机组振动故障的准确识别与诊断。本文首先阐述了风电机组振动故障诊断的选题背景、目的和意义,介绍了风电机组非平稳振动信号处理技术和智能故障诊断模型的国内外研究现状以及存在的问题。其次,介绍了风电机组两种常见的基本结构和发电原理,对风电机组常见的故障类型和故障原因进行了分析,并研究了风电机组振动测点的布置,为后续进行风电机组非平稳振动信号的检测与故障诊断奠定了基础。再此,针对风电机组非平稳振动信号难以检测的问题,引入变分模态分解(VVMD)理论,通过数值仿真分析,验证了 VMD分解能够有效避免EMD分解产生的两类模态混叠和过分解现象。研究了V VMD分解重要参数的选取,提出波形法确定其分解尺度参数K,将其应用于风电机组振动故障信号的处理,提出基于VMD包络解调分析的风电机组非平稳振动信号检测方法,以风电机组的滚动轴承振动故障数据为例,对风电机组的非平稳振动信号进行检测,并与EMD分解的方法进行比较,结果表明VMD分解能够有效避免EMD分解的模态混叠和过分解现象,有效实现了风电机组振动故障的初步诊断。然后,针对VMD包络解调分析存在的固有缺陷,提出基于VMD分解和支持向量机(SVM)相结合的故障诊断方法。利用能量法提取VMD分解的IMF分量的特征信息,得到振动信号的故障特征向量;针对粒子群算法(PSO)存在的“早熟”问题,对其进行了改进,并搭建基于改进PSO算法优化SVM的诊断模型,进行故障识别与诊断。最后,将基于VMD-SVM的故障诊断方法应用于风电机组振动故障诊断中,以风电机组滚动轴承振动故障数据为例,进行机组振动故障的识别与诊断,并与EMD-SVM方法进行比较,验证了该方法具有更高的诊断正确率,实现了风电机组振动故障的有效诊断。