风电机组传动系统所承受的载荷具有时变性和冲击性,致使传动系统故障高发。对风电机组传动系统故障进行诊断,具有重大的现实意义。在实际工况中,传动系统关键部件的振动信号一般包含强噪声,频率成分复杂,且其结构和工作方式都较为特殊,风电机组传动系统的故障诊断较为困难。本文通过分析风电机组传动系统关键部件故障类型和机理,可知提取故障特征和构建有效地故障识别模型有助于故障诊断。因此,基于信号分析和数据驱动两方面,以信号分解、特征处理及生成样本数据为重点,提出了风电机组传动系统故障特征频率的自适应提取方法,构建了能够表征传动系统关键部件状态的多源多视角特征集,根据故障产生机理建立了样本不平衡状态下传动系统关键部件的故障诊断方法。主要内容如下:共振稀疏分解提取信号故障信息时会出现参数不确定和分解后分量混叠,针对该问题,提出了一种寻优重构共振稀疏分解方法,该方法构建了参数自适应选取策略,根据时频特性对信号子带进行重构。实验证明该方法能够有效地对信号进行去噪,分离不同的信号分量,准确提取行星齿轮箱的故障特征频率。在行星齿轮箱频率成分复杂和混合方式未知两种情况下,分别对变分模态分解和盲源分离算法进行了扩展,并应用于行星齿轮箱的故障诊断中。所提变分模态分解扩展算法的预处理过程使信号满足算法窄带特性的假设,实现分解个数自适应,有效地分离出中心频率相近但共振特性不同的信号成分。盲源分离扩展算法通过构建虚拟通道、对原信号降维,使得原始信号满足算法的应用条件。仿真及实验证明,两种扩展算法均有效提高信号分解的精度和收敛速度。针对单源信息无法全面反映设备运行状态的问题,研究了多源多视角信息融合的故障诊断方法。构建多源特征集,探索特征变量之间的潜在关系。采用随机森林和证据理论对特征进行特征级和决策级融合,将方法应用于滚动轴承故障的状态识别。结果表明,所构建的多源多视角特征集提高了模型的识别性能,特征级和决策级融合进一步提高了故障诊断的准确率。针对深度学习中因样本不平衡导致的分类器精确度较低的问题,采用生成对抗神经网络、信息融合和迁移学习的方法,分别在有无故障样本两种状态下解决样本不足的问题。同时,采用轻量化网络和迁移模型解决传统深度学习模型复杂度高、耗时长、内存大的问题。