风力发电机组对绿色能源的发展起到至关重要的作用,其运行状态的优劣直接关乎国家绿色能源发展的速度。由于风力发电机组在运行过程中受到变载荷冲击较多,对其齿轮箱的高效运转造成了很大的困扰,故对其齿轮箱进行故障状态检测势在必行。但在实际工况中,采集到的齿轮箱振动信号中包含了大量环境噪声,对精确提取故障特征信息增加了难度。另外,在实际检测过程中往往故障都是多处并发的,如果不能对多故障进行同时精确提取,依然不能保证风电机组长期高效的运行。针对以上问题,本文以风电齿轮箱的滚动轴承为研究对象,对轴承的故障信号降噪、多故障特征提取方法展开了研究。本文对风电机组的故障特征提取在国内外的研究现状进行详细阐述,并针对当前所存在的问题,引出了本文的研究内容和思路。其次,介绍了风力发电机组的主要组成部分,并对风电机组齿轮箱结构进行了表述。对齿轮箱中常见的齿轮故障与轴承故障类型进行了分类,对故障发生原因进行了详细阐述。考虑到风电机组的工作环境较为恶劣,多数安装在高原及海口等常年风力强劲的地区,在复杂力学环境下,风力发电机组的振动信号往往伴随着大量白噪声,导致故障特征提取难度加大,最优最小反褶积方法(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)可以提取周期性冲击成分,但是在强噪环境中常常会出现误诊断或漏诊断现象。为此,本文提出一种基于自回归滑动平均模型(Autoregressive Moving Average Model,ARMA)的最优最小反褶积(ARMA-MOMEDA)的风电齿轮箱故障特征提取方法。首先,通过滑动平均模型对振动信号中的噪声进行平滑处理,提高信号的信噪比;然后,通过最优最小反褶积对平滑后的信号进行二次降噪;最后,通过包络谱提取故障特征,仿真与实验验证了该方法的有效性。反褶积理论在故障诊断中表现出了良好的优越性,但是对复合故障进行诊断时需要提取每个故障特征。为了高效地对风电齿轮箱进行复合故障诊断,在改进的高斯滤波器(Modified Laplacian of Gaussian,MloG)的基础上,提出了一种基于Savitzky-Golay(SG)平滑处理和MloG的风电齿轮箱复合故障诊断方法。首先通过MloG滤波器对振动信号进行处理来提取故障特征信息,但是原始的MloG滤波器不具有自适应性,在对不同部件的振动信号进行故障诊断时,不能自适应选取最优滤波器参数。为了对其进行改进,提出了一种基于边际包络谱熵(Marginal Envelope Spectral Entropy,MBLS)的混沌灰狼算法(Chaotic Grey Wolf Optimization,CGWO)来自适应确定MloG滤波器的参数,边际包络谱熵能对脉冲个数与噪声的强度变化都有良好的表征能力,最后通过SG滤波器对提取后的信号进行平滑处理。通过仿真与风电机组实测轴承振动信号进行实验,验证了该方法的有效性。