风电是目前最具前景的可再生能源发电技术之一,随着风电机组保有量的提高,对运行和维护技术的要求也越来越高。齿轮箱是双馈型和半直驱型风电机组传动链中的关键设备,由于齿轮箱位于高空极端环境中承受着多变载荷,极易发生故障,影响着风电机组性能,对机组安全可靠运行带来极大挑战。因此,对风电机组齿轮箱的运行状态进行监测与诊断,对提高发电量,降低全生命周期成本具有积极的现实意义。以风电机组齿轮箱为研究对象,开展了故障诊断方法研究。主要工作包括:(1)分析了风电机组齿轮箱的故障特点,研究了轴承、齿轮和轴的故障类型,并对典型故障案例进行图谱分析,总结故障发生规律,为后续的智能诊断提供科学依据。(2)针对在多变载荷下齿轮箱振动信号污染严重的问题,提出了自适应提升小波降噪方法。该方法有效降低噪声影响,提高了振动信号的信噪比。并从时域、频域和小波包能量等不同角度提取特征值。(3)针对风电机组冲击载荷较强的特点,分别从时域、频域和小波包能量的角度建立三个粒子群优化模糊神经网络故障诊断模型,经过测试实现了对齿轮箱高速轴和中间轴等故障的准确诊断,取得了较好的效果。(4)基于D-S证据理论,建立了的齿轮箱故障信息融合诊断模型,该模型综合利用单一诊断模型的判据,进一步提高了诊断的区分度,具有较好的容错性、纠错性。