随着国家经济的稳步发展,对能源的需求不断增加,风电建设也迎来了春风。与此同时,机遇伴随着一系列的挑战,突出的问题就是风电机组频频出现故障,严重影响风电机组的正常工作,给风电企业和社会生产工作带来了一定程度上的麻烦。为此,加强对风电机组问题的排查与检测力度,能够极大程度上减小对风电设备维护的相关成本,对提高风电企业经济效益具有重要意义。风力发电机组大件主要包括叶片、齿轮箱、发电机、偏航系统、变频器、液压系统等,其中以齿轮箱的故障发生率最高,它的健康状态与整机的工作性能有着直接关联。针对此,本课题的研究将风电机组齿轮箱作为重点,然后对其健康状态检测以及故障诊断的手段实施探索。全文的研究关键点主要如下:针对齿轮箱的几何结构进行分析,确定了其故障探索的必要性,分析齿轮箱故障产生的机理,从啮合频率和信号的调制等方面研究了齿轮箱内常见故障的形式及形成原因,并在第一章给出了常见的齿轮箱故障诊断方法。介绍了针对振动信号分析比较多见的方法,主要有两类,第一类是时域分析算法,该方法可以分成三种类别,分别对应为时域统计分析法、经典模态分析法以及时域同步平均法;第二类是频域分析算法,可细分为功率谱和包络分析,此外也把傅里叶变换、Wigner-Ville分布等算法进行简单的分析以及说明,并对其各自优缺点也进行了对比分析。风力发电机组齿轮箱工作时的受力情况多样,其产生的振动信号是复杂的非平稳信号,为了更直观的分析风力发电机组齿轮箱的故障特性,根据其故障振动信号的相关特点,利用倒频谱算法对采集的信号进行分析,小波与倒频谱相结合的齿轮箱振动信号分析方法,该方法使风力发电机组齿轮箱故障诊断通过简单易行的频谱分析得以实现。根据风电机组齿轮箱工作时的振动信号特性,基于小波包和BP神经网络,并融合两种算法优点以期实现风力发电机组齿轮箱的故障诊断。其中,通过小波包算法将齿轮箱中振动信号所对应的特征量实现抽离,再将得到的特征量传递至BP神经网络算法中,实施分类以及训练操作,最后通过分析结果来对故障进行判定,并结合实例证明了该方法具有很好的特征提取能力与故障诊断效果。