随着全球变暖和环境污染问题日益严峻,发展可再生清洁能源成为解决环境和能源问题的必然选择。风能作为一种取之不尽用之不竭的可再生新能源,近十几年来在全球范围内得到了高度重视,其与传统能源相比在节能减排、生态保护、环境保护方面具有显著的优势。近年来,我国风力发电发展也十分迅猛,目前在全国各类电力生产比例中风电已成为继煤电和水电之后第三大电源。随着风电的快速发展,大型风电机组的运行故障问题也日益突出。目前,我国已投运的风电机组开始进入故障的高发期,其中运行2-3年以上的兆瓦级风电机组故障率高达5%。风电机组故障的发生不但严重影响风电场的发电量,而且大大增加风电场的维护成本。因此,引入风电机组状态监测系统,对故障征兆进行准确预警,对保障风电机组安全稳定运行具有重要作用。本课题研究了基于ARM和FPGA的风电机组状态监测系统,着重对系统构架、硬件设计和传动系统故障信号分析及诊断等几个方面展开了研究,主要工作如下:(1)阐述了国内外风电机组状态监测系统发展状况,分析了本课题的可行性和应用前景。设计了振动信号差动放大、积分、滤波等预调理级联电路,并通过仿真验证了电路的有效性;为了保证键相信号整形电路的可靠性,设计了一种支持阈值自动跟踪和阈值预设功能的键相信号调理电路。(2)构建了以ARM作为主控制器且FPGA作为从控制器的风电状态监测系统硬件体系架构,根据ARM驱动程序设计了一种与FPGA之间的数据交换协议,实现了FPGA与ARM之间的高速数据传输;选取FPGA作为系统的数字逻辑控制器,在模拟锁相环的基于上设计了一种全数字锁相倍频器,并利用其输出倍频作为滤波芯片的时钟频率,从而实现抗混叠滤波器的中心频率对转速的自动跟踪。(3)研究了基于CNN模型的传动系统振动故障诊断方法。首先基于TCP/IP协议的C/S软件体系结构实现了上下位机之间的通信,构建起实时数据分析环境。其次,利用风电传动系统模拟试验台采集传动链上滚动轴承和齿轮箱振动信号,对不同工况下的振动信号进行WV(Wigner-Ville)分布算法处理并得到WV分布时频图,将WV分布时频图作为卷积神经网络(Convolutional Neural Networks,CNN)的输入特征进行模型训练,然后应用训练好的模型对新测数据进行故障识别,最后通过实验验证了该模型具有较好的识别性能。