随着能源短缺与电力需求的增加,风电产业快速发展,受恶劣环境影响,风电机组齿轮箱故障频发,可靠的故障诊断方案对于提高风电机组可靠性并降低运维成本至关重要。基于齿轮箱故障表现出的非线性特征,以及Volterra级数模型可以直观表达非线性系统动态行为的特点,研究基于Volterra时域模型的齿轮箱故障诊断方案,该方法的关键是准确辨识Volterra时域核,通过仿真与实验研究,验证了该方法的可行性与实用价值,主要内容如下:针对传统最小二乘方法只能离线辨识、易受干扰、需要目标函数连续可导等不足,研究了基于递推最小二乘的Volterra时域模型辨识方法,该方法采用递归思想,避免了对矩阵的直接求逆,减少了计算量。仿真研究中用三阶非线性系统模型检验了该方法的性能,结果表明,该方法具有较高的收敛速度与辨识精度。鉴于遗传算法强大的全局寻优性能,在高维问题中快速找到解决方案的能力,提出基于遗传算法的Volterra级数模型辨识方法,并给出辨识步骤,仿真研究表明,不论是否存在噪声干扰,该方法都具有较高的辨识精度与收敛速度。最后,利用所提的方法建立了齿轮箱轴承两种状态的Volterra时域模型,实验结果表明Volterra时域模型能明显反映系统内部特性的变化,可以有效的区分两种状态。针对基于遗传算法的Volterra模型辨识方法中存在的不足,提出了遗传算法的改进方案,包括自适应染色体结构与搜索范围、重启策略等,并将改进遗传算法应用到Volterra时域模型辨识中。仿真研究表明,该方法可以辨识出简化的Volterra模型,且辨识精度高、收敛速度快、鲁棒性强,各方面性能优于遗传算法。通过实验,使用两种方法辨识轴承正常与故障状态的Volterra时域模型,进行对比分析,结果表明,改进遗传算法在模型简化及辨识稳定性方面均有良好表现,是一种行之有效且具有实际应用价值的Volterra时域模型辨识方法。