近年来,随着化石能源短缺以及燃烧化石能源所导致环境污染问题的日益加剧,大力发展可再生的清洁能源成为解决当下问题的关键所在。风能作为一种可再生能源,在解决当前能源危机和污染问题中扮演着重要的角色,风力发电发展迅速。风电机组的传动系统作为能量转换和传递的关键部件,运行工况多变,结构复杂,导致其故障率较高,且更换难度大,将会产生较高的维修费用和长时间的机组停机。国内外相关调查表明,风电机组传动系统的故障主要是由机械原因引起的,因此开展风电机组传动系统的机械故障诊断研究对于提高机组的运行可靠性、减少停机时间都具有十分重要的现实意义。风电机组传动系统在运行过程中产生的振动信号包含了重要的状态信息,本文通过对传动系统中重要部件的振动信号进行处理和分析来确定其机械状态,其主要研究内容包括信号处理、特征提取、特征选择和状态识别。首先,针对风电机组传动系统振动信号的非平稳、非线性特点,通过经验小波变换对其振动信号进行时-频分解处理,得到一系列的固有模态分量,为准确识别复杂机械故障,对包含主要故障信息的分量及原始振动信号提取大量特征来构建全面的初始特征集合,以准确描述传动系统的故障特征。其次,针对提取大量特征会造成特征集维数过高,同时还可能引入冗余特征,严重地降低分类器性能,影响故障诊断精度,增加故障诊断时间的问题,采用随机森林分析初始特征集合中每个特征的重要度,结合前向特征选择方法,以不同特征子集下随机森林的分类准确率为依据,确定最优特征子集。最后,针对传统多分类器对训练样本依赖度过高,易将无训练故障样本类型误识别为正常状态的缺陷,设计了基于支持向量数据描述和模糊C均值聚类的混合分类器。该混合分类器首先使用经正常样本训练的支持向量数据描述来判断风电机组传动系统各主要部件的机械状态是否正常,如果确定故障发生,则将该故障样本与其他已知故障类型的样本进行融合,并将融合后的样本集进行模糊C均值聚类;然后根据聚类结果,选用经特定故障样本训练的支持向量数据描述来判断该故障样本属于已知故障类型还是未知类型。对风电场实测数据的诊断测试结果表明,采用经验小波变换的方法能够准确提取风电机组传动系统各主要部件的故障特征,而构建的基于支持向量数据描述和模糊C均值聚类的混合分类器不但可以准确区分传动系统的正常与故障样本,而且可以判断故障样本是否属于新故障类型,克服了传统分类器对训练样本依赖度过高的缺陷,避免出现误识别和漏检现象,能够有效提高故障识别的准确率,具有较高的工程应用价值。