随着风力发电技术日趋成熟,市场逐步扩大,风力发电已成为各国重点开发的能源之一。据统计,风力发电机组中齿轮箱传动装置故障率发生较高,对齿轮箱故障诊断方法研究的重要性及紧迫性越来越显著。本文以风力发电机组中的齿轮箱振动信号分析与故障诊断方法为研究重点,以提高风电机组的可靠性为目的,主要对齿轮箱的重要组成部分齿轮、轴承进行研究。文章主要做了三个方面的工作:(1)研究了大型风电机组齿轮箱故障形成机理,传感器采集的齿轮箱振动数据中往往包含了大量的噪声信息,对故障识别和状态评估等带来了较大的影响。本文针对常规小波阈值去噪采用了一种改进的方法,提高了信噪比、降低了均方差并通过MATLAB仿真分析与齿轮箱齿轮、轴承故障诊断实例分析,验证了改进后的方法取得了较好的效果。(2)研究了大型风电机组齿轮箱的故障诊断方法,以振动信号为分析对象,采用了一种基于小波包(WPA)的振动信号能量分析法。通过计算各节点能量值并获取与各故障对应关系,对能量值变化明显的节点系数进行重构,对重构系数进行包络频谱分析,实验结果表明可较好的确定故障所在位置及故障类型。本文在此基础上引入了能量矩参数,考虑了能量随时间参数变化的分布,并结合时域、频域信号提取与故障相关的特征参数,共同构建特征向量为后续诊断分析做准备。最后通过风力机实验台齿轮箱模拟故障实验,验证了该方法的有效性。(3)采用粒子群优化算法(PSO)对支持向量机(SVM)的核参数进行优化,构成WPA-PSO-SVM诊断模型,对各工况进行智能模式识别。一般SVM算法的核函数采用单一核函数,泛化性和学习性过于单一,分类准确率不是很高。本文结合RBF核函数和多项式核函数各自优点,构建了线性组合的混合核函数,通过权重的调节来平衡算法的泛化性和学习性。最后通过风力机实验台齿轮箱模拟故障实验,在不同转速情况下验证了该方法的有效性。