风能作为清洁可再生能源中的典型代表具有广阔的发展空间。随着新的风力发电机组的持续投入建设,旧机组在长时间的工作下渐渐出现故障,而且由于其结构复杂,工况恶劣,各个部件的失效率越来越高,如不能及时检测与处理故障,将严重降低风电机组的安全运行性能。为了确保机组运行的稳定性和安全性,预防重大事故发生,降低维修成本,对其运行工况进行实时监测和故障诊断具有至关重要的意义。本文以故障率较高的风电机组滚动轴承为诊断对象,基于振动分析深入开展故障特征提取与诊断研究,主要内容包括如下:(1)在简述风电机组结构特点和简要工作原理基础上,以滚动轴承为重点分析对象,介绍其主要结构、失效形式、故障原因、振动机理、故障特征频率以及相应振动特性,为故障诊断实现提供理论基础。(2)针对风电机组滚动轴承振动信号微弱故障特征易被背景噪声和其他频率干扰、提取难度较大的问题,提出一种增强型的形态学滤波及故障诊断方法。算法首先构造一种新的形态学综合顶帽变换(MCFH);之后针对MCFH变换滤波尺度选择问题,给出了一种自适应的尺度计算策略;最后提出一种改进的包络导数能量算子用于增强形态学滤波后信号中故障冲击特征,并滤除带内噪声频率。仿真信号与风电机组轴承实际故障信号实验结果表明,该方法能有效提取随机噪声和谐波干扰下的故障特征信息,滤波效果强于传统方法。不过该方法在诊断时仍需要人工进行判别,难免受到人为因素影响,且无法实现故障的自动诊断。(3)针对上述问题,以及风电机组轴承振动信号常具有较强的非平稳、非线性,使得传统时频域方法提取特征时存在不准确、适应性差等问题,提出一种基于局部均值分解(LMD)和形态学分形维数的特征提取算法,并结合极限学习机(ELM)完成轴承故障的自动诊断。该方法通过相关系数法筛选信号LMD分解后的敏感PF分量,然后由形态学估计筛选后分量的形态学分形维数,以此为输入建立ELM轴承状态识别模型。结果表明该方法的故障诊断效果良好,具有一定的实用性。不过在研究中也发现,当风电机组轴承同时发生多种故障,即存在复合故障时,该方法诊断效果并不理想。(4)针对轴承复合故障之间相互耦合,传统方法对复合故障冲击特征难以提取的问题,提出了一种基于自适应信号稀疏共振分解(ARSSD)和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的诊断新方法。首先使用ARSSD分析故障信号,并利用布谷鸟寻优算法(CSA)优化选择后获得包含瞬态冲击成分的最优低共振分量;然后,计算其多点峭度谱,提取低共振分量中包含的故障冲击周期成分;之后设定适当的周期区间,进行解卷积分离不同的故障脉冲。风电机组故障实验平台模拟了滚动轴承两种和三种故障的复合情况,并对所提算法进行了验证,结果表明该方法能从采集到的轴承复合故障信号中成功提取各单一故障信号,从而实现复合故障诊断。