随着世界许多国家大规模发展风电计划的制定及实施,风电行业经过几年高速增长之后,也迎来了成长的烦恼。虽然风力发电机的设计及制造技术已日臻完善,但是风电机组的运行维护却提出了巨大的挑战,成为当前急需解决的关键问题。由于风力发电机组地处高山、海滩、海岛等风口处,在强阵风的冲击以及极端温差的影响下,风力发电机组故障时有发生。研究表明齿轮箱、传动链和发电机等部件的故障是导致停机时间最长,经济损失最大的原因。目前大型风力发电机组都带有数据采集与监视控制SCADA (Supervisory Control And Data Acquisition)系统,SCADA系统可以对风电机组进行数据采集、参数调节、设备控制及报警等,为风电场的可靠运行提供了有力的技术平台,但是SCADA系统缺乏对传动链的有效监测及精确诊断功能。国外的风电机组状态监测与故障诊断产品价格昂贵,报警阈值没有统一的行业标准,大部分机组状态需由专家结合经验分析得出,而国内尚无成形的风电机组状态监测与故障诊断产品。基于上述情况,论文开展了针对风电机组传动系统的振动监测与故障诊断的研究。论文的主要工作如下：(1)介绍了一般风电机组的组成结构和工作原理,并对风电机组常见故障形式进行统计分析。统计结果表明,电气系统和控制系统的故障率较高,而齿轮箱和发电机等故障是导致停机时间最长,经济损失最大的原因。重点对齿轮、轴承、轴系等部件的故障机理及其表现形式、典型故障与信号特征进行了分析。(2)在风电机组振动信号特征提取方面,分别介绍了振动信号的时域分析、频域分析方法的特点,并结合实例验证了频域分析可以有效地确认齿轮箱振动信号中的故障频率成分。详细介绍了小波包能量谱分析技术,采用小波包对风电机组齿轮箱振动信号进行能量特征提取,将能量特征向量作为支持向量机故障诊断模型的输入,为后续支持向量机对风机齿轮箱故障模式识别打下坚实的基础。(3)针对齿轮箱振动信号信噪比低、非线性及小样本等特点,提出了一种基于小波包(Wavelet Packet, WP)分解、遗传算法(Genetic Algorithm, GA)和支持向量机(Support Vector Machine, SVM)的齿轮箱故障诊断模型,即WP-GA-SVM模型。首先对齿轮箱振动信号进行小波包消噪预处理,然后对消噪后的信号进行小波包分解与重构并提取频带能量,作为支持向量机分类器的输入特征向量。采用遗传算法来实现支持向量机径向基核函数参数g和惩罚因子C的自动快速最优选择。最后通过齿轮箱故障诊断的实例分析,验证了该模型的有效性。(4)基于本文介绍的振动信号特征提取及故障诊断方法,应用面向对象编程技术及模块化结构,采用C#语言结合SQL Server2008数据库,初步研究开发了一套风电机组振动监测与故障诊断系统。该系统包括用户管理模块、设备管理模块、状态监测模块、频谱分析诊断模块、支持向量机诊断模块和数据查询模块等,每个模块又细分成多个相对独立的子系统。可以实现对风机振动信号的预处理(如滤波、零均值化)、特征提取及故障诊断等功能,为实现风机的状态监测与诊断决策提供有力的帮助。