随着风电技术和机械设备制造技术的发展,风电设备的可靠性逐渐增强,但由于风力机的运行环境具有多种不确定因素,如风速、雨雪、雷电等,目前风电技术的发展还不能够应对所有的环境变化,使得风力机发生故障的概率要远远高于其他机电设备。通常,风力机失效的主要系统有叶片、传动系统和桨距系统等,桨距系统是一个典型的非线性、强耦合系统,主要负责控制桨距角以适应风速变化,由于其需要频繁的启动和停止,导致桨距系统经常发生故障,这使得风力机维护成本很高,因此对风力机桨距系统进行故障诊断研究具有重要意义。作为处理非线性系统具有独特优势的粒子滤波方法,不受模型线性化和噪声服从高斯分布的影响,在故障诊断领域得到了广泛的研究和应用。但是,粒子滤波算法存在粒子贫化和粒子退化的问题,导致故障状态估计准确度低,因此对粒子滤波算法的改进也是目前的研究热点,本文针对粒子滤波中存在的不足及改进后粒子滤波算法在风力机桨距系统的故障诊断中的应用进行了深入研究。主要研究内容如下:(1)针对粒子滤波算法存在的粒子权值退化和粒子贫化问题所导致桨距系统状态估计精度不高的问题,采用万有引力算法优化粒子滤波。首先利用万有引力算法的强寻优特性,将万有引力算法寻优代替粒子滤波的重采样过程,将每个粒子都看作是一个有质量的点,粒子间靠引力作用引导粒子向质量大的粒子移动;其次,引入一个动态惯性权重优化粒子的速度更新机制,改善粒子退化的问题,提高状态估计的精度,引入感知矩阵,改善粒子多样性丧失问题。(2)针对桨距系统实际工作环境存在随机噪声、耦合干扰等导致传统故障检测方法故障误报率高,时间复杂度的问题,引入统计学中置信区间的思想设计一个随着残差变化的自适应阈值,k时刻的残差大于阈值,则说明系统发生了故障,并引入经训练得到的固定值作为带宽系数来优化自适应阈值的均值和方差,使得均值和方差的计算只依赖上一时刻,从而在保证故障检测准确率的同时提高实时性。(3)针对传统的故障分离方法受信号干扰、噪声影响较大,不能充分地利用故障特征导致故障分离不准确的问题,利用J散度与多模型结合的故障分离方法充分提取粒子滤波估计后的非高斯故障特征,在系统建模不精确的情况下准确分离故障,通过对风力机桨距系统的故障诊断,验证了本文算法的有效性。