近年来我国的风电产业进入了快速发展的阶段,风电机组总装机容量和年新增装机容量都位居世界第一,但同时伴随着大量风电机组运行维护问题的出现。在兆瓦级风电机组中,齿轮箱是故障多发部件之一,齿轮箱故障是导致风电机组停机时间最长、经济损失最大的故障,而齿轮和轴承故障占齿轮箱所有故障类型的80%,因此对齿轮箱齿轮和轴承进行早期故障诊断研究,以及对其振动信号进行分析,解析故障失效原因及故障产生部位,对风电场降低运行维护成本,提升风电机组运行稳定性,增加经济效益具有重要意义。以并网双馈型风电机组齿轮箱为研究对象,基于SCADA系统和风电机组的监测数据来进行信号分析,主要研究的故障类型有齿轮断齿、磨损、疲劳、齿面胶合和轴承外圈、内圈以及滚动体故障等,主要的研究方法为数学诊断方法和智能诊断方法,主要的分析手段是信号降噪、信号分解和重构、特征提取、频谱分析、分类器识别等。论文的主要工作如下:(1)介绍了风电机组的基本结构组成及其工作原理,分析了风电机组常见的故障失效类型。其中,电气系统、控制系统、液压系统、传感器等部件的故障率较高,而齿轮箱、驱动链、发电机故障产生的影响最大。重点对齿轮箱齿轮和轴承的固有特性,以及它们的故障失效形式、故障信号特征进行了详细地分析,并统计说明了齿轮和轴承各个元件对应的故障特征和理论故障特征频率。(2)介绍了齿轮箱齿轮和轴承振动信号的数据采集过程和振动信号的信号降噪、信号重构方法和特征提取方法。针对齿轮和轴承振动信号非线性、非平稳的特点,提出了两种适配的信号消噪和重构方法,分别是基于近似共轭梯度算法(Approximate Conjugate Gradient Pursuit,ACGP)改进的分段正交匹配追踪(Stagewise Orthogonal Matching Pursuit,St OMP)和基于EEMD改进的补充集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)。针对齿轮和轴承故障信号在时域、频域和时频域的故障表现特征,提出了两种故障特征提取方法,分别是多域特征提取法和多尺度熵(Multiscale Entropy,MSE)构造法。通过观察频谱分析和特征提取结果,可知以上方法对信号的降噪效果明显、重构精度高,构造的特征反映了信号的主要故障特征且没有丢失原始信号的主要信息。(3)针对齿轮和轴承的故障特征,提出了不同的特征筛选方法和模式识别方法。利用邻域粗糙集理论(Neighborhood Rough Set,NRS)和相关系数法筛选故障特征向量,分别使用基于遗传算法(GA)参数寻优的随机森林(Random Forest)分类器和小波核极限学习机(Wavelet Kernel Extreme Learning Machine,WKELM)对齿轮和轴承数据进行故障分类识别。将上述诊断模型应用于实际故障数据的分析中,并与其它故障诊断模型的分类效果作对比。结果表明,在齿轮和轴承的故障数据识别中,本文所构建的故障诊断模型性能表现突出,故障诊断的准确率高、诊断模型的识别速度快。