齿轮箱是风电机组传动系统的重要机械部件,其运行状态直接影响着整个机组的工作状态和效率。齿轮箱长期在恶劣的环境工作,极易发生故障。齿轮箱的故障将不可避免地导致不必要的停机和严重的经济损失。因此,对齿轮箱进行及时准确的故障诊断对于确保风电机组的安全可靠运行至关重要。目前,风电齿轮箱的故障诊断主要以振动信号分析为主,但振动信号极易被环境噪声所污染,且传感器的安装增加了系统成本。与振动信号相比,电流信号具有非侵入、监测成本低、稳定性高等优点。然而,电流信号基频分量大,信噪比低,所包含的故障信息极易被基频及谐波分量调制所淹没,给故障特征提取带来了困难。本文以风电齿轮箱为研究对象,基于无监督学习的最新成果——稀疏滤波,研究一系列的方法用于电流信号的特征学习,实现齿轮箱的高精度分类诊断。本文的主要研究内容如下:(1)系统梳理风电齿轮箱常见故障类型及故障原因,对基于电流信号的齿轮箱故障检测基本原理进行详细分析,并总结得出齿轮箱不同健康状况下电流信号的表现特征。(2)为从电流信号中挖掘出具有丰富故障信息的特征,提出了基于稀疏滤波特征融合的故障诊断方法。首先,设计基于稀疏滤波的局部特征学习网络,用于从原始电流信号和包络信号中分别学习不同的特征。然后,通过融合原始信号和包络信号的特征增加故障特征的多样性。最后,将融合的特征输入到支持向量机,实现齿轮箱不同故障类型的智能识别与诊断。通过风电齿轮箱实验台开展齿轮箱故障模拟实验验证提出方法的有效性。(3)为进一步增强稀疏滤波的特征学习能力,将多视角学习和稀疏滤波有机结合,在局部特征学习网络的基础上,提出了一种多视角稀疏滤波(Multi-view Sparse Filtering,MVSF)的无监督特征学习方法。MVSF方法首先从原始电流信号中自动学习不同视角下的有用和互补的特征,然后通过融合并行学习的多视角特征,增加了特征的互补性,从而提高故障诊断性能。通过在风电齿轮箱实验台上进行的实验对所提出的MVSF方法的有效性进行验证,并与传统特征提取方法及深度学习方法进行对比分析。