风电机组具有载荷复杂、运行环境恶劣等特点,因此故障率和运维费用高。其中,风电机组传动链的问题尤其突出。针对风电机组传动系统的特点,研究新的故障特征提取理论和方法,提高故障早期诊断能力,对于保证风电机组的健康运行具有重要的意义。在对风电机组实际振动信号进行诊断分析时,经典的振动信号处理方法难以捕捉到反映故障特征的准确信息,影响了对机组故障的诊断分析。本文针对以上问题,研究基于谱峭度的振动信号分析和故障特征提取方法,结合最小熵解卷积(Minimum entropy deconvolution,MED)和最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)对振动信号进行分析,从强背景噪声下的振动信号中准确的提取故障特征信息,并应用风电机组传动链的实测信号进行验证。主要研究内容和结论如下:(1)对谱峭度理论基础进行探究,介绍了两种传统谱峭度算法,并用仿真信号及风电机组实测信号对比分析,探讨了谱峭度算法的特点及不足。(2)针对强噪声环境下,谱峭度算法存在故障特征难以提取等问题,研究了将谱峭度与AR-MED、MCKD结合提取微弱故障特征的方法。首先对信号进行滤波预处理,抑制噪声成分,提高了冲击特性,然后再对降噪后的信号进行谱峭度计算,包络解调提取出故障特征频率。用风电机组实测振动信号对该方法进行检验,结果表明早期故障特征能力有所改善。(3)研究用振动特征值表示风电机组振动状态劣化趋势的方法,对数据进行等时间间隔筛选,运用改进的谱峭度方法提取故障特征,做出故障特征值变化趋势,通过与常用的时域特征值变化趋势进行对比,表明改进谱峭度方法的特征值能够反映故障的发生发展趋势。