大型旋转机电设备安全稳定运行对经济和社会具有重要影响,故障预测是保障大型旋转机电设备安全运行和实现科学维护的关键技术。风电机组是一种典型的大型旋转机械,其传动系统由稳定运行状态劣化为非稳定状态有一个发展变化的过程,对其传动系统运行状态劣化趋势进行有效预测,避免恶性事故发生,具有重要意义。本论文以风电机组为研究对象,对其传动系统运行状态劣化趋势预测方法开展了深入的研究,主要研究内容及创新点有:(1)提出基于μ-SVD和局部均值分解(LMD)的风电机组传动系统运行状态劣化弱信息预处理方法。利用μ-SVD算法确定各降噪参数,解决传统奇异值分解(SVD)降噪算法的参数选择缺乏统一原则的问题;利用LMD方法对降噪后的残余信息进行分解,对分解所得的乘积函数(PF)分量再分别进行基于μ-SVD的降噪,完整提取信号的有用信息。实验验证表明,该信号预处理方法能够凸显状态特征信息,获得较小的均方根误差以及较高的信噪比,在运行状态劣化的早期弱信息预处理中收到了良好效果。(2)提出一种基于能量守恒原则和“劣化敏感因子”选取本征模态函数(IMF)分量的希尔伯特-黄变换(HHT)特征提取方法。传动系统多种劣化类型下不同劣化程度状态的实验结果表明,该方法可对传动系统多种不同程度的耦合故障进行有效分析,提取故障特征。为解决变工况、非平稳运行状态下,劣化特征与变工况等非劣化特征耦合难以分离的问题提供方法。(3)提出基于不确定性推理的多传感器分布式检测融合方法。通过利用主观贝叶斯推理,获取局部检测装置的判决规则,并选取合适的局部判决规则送到融合规则中心,将来自不同传感器的观测数据进行综合分析,最后产生全局判决。实验验证表明,在含有大量不确定性信息的故障诊断系统中,基于主观贝叶斯推理的分布式检测融合算法具有故障信息识别率高、诊断速度快的优点,其诊断错误率明显低于单个传感器,且低于串行分布式检测融算法,为解决风力发电机组传动系统故障检测中各传感器检测信息呈现不确定性的问题提供有效途径。(4)提出基于“Hilbert劣化特征熵”的隐马尔可夫模型(HMM)运行状态劣化趋势预测方法。给出“Hilbert劣化特征熵”的定义,通过劣化敏感HHT特征提取方法获取多种劣化类型下不同劣化程度状态的运行状态劣化特征向量,建立风电机组传动系统多种劣化类型模型,诊断传动系统的劣化类型,根据Hilbert劣化特征熵值对具体劣化类型下状态的劣化程度进行量化,获得劣化程度量化区间,建立运行状态劣化的状态序列,应用隐马尔可夫模型对劣化状态进行趋势预测研究。开展工业现场风电机组实验验证,结果表明,该方法能够揭示设备运行状态劣化的趋势,可以作为确定系统运行状态以及判断系统劣化趋势的依据。(5)构建风电机组群远程监测系统,设计远程人机交互界面,配置软硬件资源形成整机一体化系统,为风电机组群的远程监测提供技术手段。现场应用表明,该系统可有效的预警风电机组传动系统的早期故障。