由于能源危机和环境污染问题日益严重,风能作为无污染可再生能源已受到世界各国的高度重视。随着风电装机容量的不断增加,齿轮箱故障发生率也不断升高,严重影响了风电的利用率。滚动轴承是风力齿轮箱中故障率较高的部件,轴承故障严重时会导致重大的事故。由于滚动轴承在故障形成初期及发展阶段都会产生声发射信号,所以采用声发射技术对其进行早期故障诊断,对避免重大事故的发生和降低运行维护成本都具有重要的意义。本论文研究目的是探索风力齿轮箱轴承声发射信号特征提取和故障诊断的新方法,以解决目前传统方法存在的抗噪声干扰能力差、参数选择复杂和模糊样本难识别等问题,以期提高特征提取准确性和故障诊断的正确率。本论文主要研究内容如下:首先,针对风力齿轮箱轴承声发射信号在采集时,单通道中存在着多故障源信号复合问题,提出了一种基于集成经验模态分解和改进的快速独立分量分析算法的单通道盲源分离方法。该方法将一维的单通道复合故障声发射信号通过集成经验模态分解算法分解成多维的本征模态函数分量,然后根据估计的源信号数目建立相同数目的输入信号,最后输入信号通过改进的快速独立分量分析算法进行分离。该方法解决了单通道信号盲源分离的欠定问题,克服了原快速独立分量分析算法对初值敏感的不足,对复合故障(损伤和断裂)声发射信号进行了有效的分离。其次,针对风力齿轮箱轴承声发射信号具有非平稳性和不确定性的特点,提出了一种基于完整集成经验模态分解和云模型特征熵的特征提取方法。该方法用完整集成经验模态分解算法将信号分解成多维的本征模态函数分量,由相关系数法选取出的敏感本征模态函数分量重构信号,再利用逆向云发生器计算重构信号的云模型特征熵作为信号的特征参数。通过实验测试与分析,该方法不仅有效的提取了声发射信号的特征,还克服了传统熵方法存在的参数选择复杂和阈值取值敏感等缺点。再次,为解决在风力齿轮箱轴承声发射信号进行特征提取时存在的强噪声干扰问题,提出了一种基于改进的集成经验模态分解算法和多尺度排列熵偏均值的特征提取方法。该方法首先通过云相似度法选取敏感本征模态函数分量,然后由敏感本征模态函数分量重构信号,最后计算重构信号的多尺度排列熵偏均值作为信号的特征参数。该方法克服了传统方法在选取敏感本征模态函数分量时存在的误判缺点,降低了噪声干扰,从而提高了特征提取的准确性。最后,为解决具有不确定因素的样本影响风力齿轮箱轴承故障诊断正确率的问题,提出了一种基于多维云模型确定度的模糊支持向量机故障诊断方法。该方法采用多维云模型确定度作为模糊支持向量机算法的隶属度,克服了传统模糊支持向量机算法不能将噪声或野值样本从有效样本集中区分出来的缺点。利用轴承故障声发射数据进行验证,结果表明该方法可以有效地抑制不确定信息(噪声或野值样本)的干扰,具有较高的故障诊断性能。