随着“3060”双碳目标的提出,风能作为一种分布广、储量丰富、绿色环保可再生的新能源,迎来了巨大的发展机遇,我国的风电机组装机容量和风力发电量迅猛增加。然而因为风力发电机组的工作环境恶劣、工况复杂,其机组部件容易出现故障,导致风电机组运行经济性下降甚至停机。风电齿轮箱作为风力发电机组传动系统的核心部件,始终工作在重载、高强度的条件下,其故障比率在风机故障中占比极高。因此对风电机组齿轮箱进行早期故障特征提取和故障诊断,在其故障早期发现问题并制定合理运维策略,对风力发电机组具有重要意义。论文首先针对风电机组齿轮箱工作环境恶劣、所测信号中成分复杂、噪声干扰严重的特点,提出了一种基于峭度值的变分模态分解处理方法,对风电机组信号进行降噪处理以及早期故障特征提取。首先通过对变分模态分解的基本原理、关键参数的影响进行分析,给出了基于“中心频率法”的自适应参数选择方法。论文对仿真信号和实验数据分别进行变分模态分解,将其分解结果与其他自适应分解方法进行比较,验证了变分模态分解的优势。论文对变分模态分解产生的本征模态分量提出了以峭度值为指标的优选方法,对本征模态分量进行优选并完成信号重构,以此实现了对原始复杂信号的降噪处理和早期故障特征的提取。熵值作为一个系统“内在混乱程度”的指标,已经被广泛的应用于故障诊断领域。论文通过对符号动力学熵基本原理的分析,针对其现有符号化进程中存在的不足:无论是静态划分还是动态划分都会造成原始信号的信息丢失,提出了一种新的多尺度双符号动力联合熵。多尺度双符号动力联合熵在符号化进程中,采用动态划分与静态划分相结合的方法,使原始数据信息在更大程度上得到保留。论文用实验数据计算多尺度双符号动力联合熵,并将其值与多尺度符号动力学熵进行比较,证明了多尺度双符号动力学熵包含的故障信息更充分。论文提出了一种基于VMD-MJSDE-LSSVM的风电机组齿轮箱早期故障特征提取和故障诊断方法。对于原始数据,首先利用变分模态分解得到本征模态分量,并基于峭度值进行本征模态分量优选和信号重构。对于重构后的信号计算其多尺度符号联合动力学熵,将计算得到的熵值作为故障特征向量输入到最小二乘支持向量机分类器来对故障类型进行分类。论文采用美国西储大学轴承实验中心的公布数据对论文所提方法进行验证,成功识别出了轴承正常、轴承内圈故障、轴承外圈故障、轴承滚动体故障四种不同故障类型。论文还采用其他早期故障诊断和故障提取方法与本文所提方法进行比较,本文所提方法故障诊断准确率高于其他方法,证明本文所提方法更准确、高效。