近年来,随着我国风电装机容量的持续增加,目前我国的风电累计装机容量已经位居全球首位。风力发电系统在运行过程中,大量风电事故的发生引起了人们广泛的关注。据统计因风力机传动系统故障造成的停机时间最长,并且造成了巨大的经济损失。滚动轴承作为风力机传动系统的重要组成部分,其运行状态的实时监测和分析,对整个风力发电系统的运行维护和故障诊断均有着重要的意义。本课题以风力机传动系统中的滚动轴承为研究对象,主要的研究内容有:首先研究了风力机滚动轴承的基本组成结构,然后系统分析了滚动轴承的故障形式、滚动轴承的振动机理、滚动轴承各个部件的故障特征频率及固有频率。针对无历史故障数据情景下的风力机滚动轴承故障,提出了基于改进的EEMD-Hilbert的风力机滚动轴承故障诊断方法。在EEMD的基础上,引入了皮尔森相关系数来消除EEMD分解中产生的伪分量以及干扰分量,将改进的EEMD和Hilbert包络解调相结合的信号分析方法应用到滚动轴承的故障诊断中。以美国西储大学滚动轴承实验数据为例进行仿真实验,仿真实验验证了所提算法的简便性,以及在滚动轴承内圈、外圈故障诊断的可行性、快速性。为了进一步提高风力机滚动轴承故障诊断的准确率,在风电机组数据监控与采集(SCADA)的背景下,提出了基于多特征融合与提升树的风力机滚动轴承故障诊断方法。以美国西储大学滚动轴承实验数据为例进行仿真实验,仿真结果表明,基于多特征融合与提升树的故障诊断方法可以提取出具有高区分性和独立性的特征,同时在滚动轴承故障诊断率上优于支持向量机(SVM)、k近邻算法(KNN)、人工神经网络(ANN)等算法。考虑到传统的特征提取方法无法充分挖掘滚动轴承振动信号中潜在的信息,提出了基于BiGRU神经网络的风力机滚动轴承故障诊断方法。以美国西储大学滚动轴承实验数据为例,利用BiGRU网络模型对其进行故障诊断仿真实验,验证了所提算法具有自适应特征提取的能力,以及在处理时间序列问题的可行性;同时为了验证所提算法在滚动轴承故障诊断上的快速性、准确性,采用SVM、KNN、集成学习等算法进行滚动轴承故障诊断对比实验。