风电机组运行环境恶劣,加上其结构的复杂性使得机械故障频发,造成高昂的维修成本,降低了风场运行的经济性和可用度。因此为了改善这种状况,对风电机组进行状态监测显得尤为重要。在现有的故障监测方法中,振动监测具有测试简单、测试效率高、实时性强、故障定位准确等优点,成为对于机械设备早期故障的检测和预测最高效的技术之一。本文研究和分析了各种振动数据处理和分析方法,包括时域特征分析、奇异值去噪、小波分析、希尔伯特黄变换、变分模态分解、倒谱分析等。采用稀疏快速傅里叶变换(SFFT)算法进行风机振动信号的频谱分析。SFFT算法主要利用窗函数过滤信号,然后散列傅里叶系数,最后进行定位与估值运算,能快速的计算出信号频谱中k(信号的稀疏度)个拥有最大值的傅里叶系数。该算法结构简单,运行时间相对于信号长度n呈亚线性,非常适合振动信号的在线频谱分析。另外,提出基于变分模态分解的风机轴承故障特征提取算法。首先利用变分模态分解对风机轴承信号进行分解,使得故障信息集中到某些独立特征分量中,然后根据峭度指标选择出这些独立分量重构信号,进而对重构信号进行奇异值分解降噪,最后对降噪的信号进行包络分析提取故障频率。本文研究了风电机组在线振动监测的整体设计思想和结构框架,基于C#编程语言和GDI+技术设计开发了风电机组在线振动监测可视化系统。该系统嵌入了上述部分数据处理方法,实现了对风电机组振动信号的时域监测、频谱监测、瀑布图监测、特征值监测,以及历史数据分析和报警信息管理等功能,为风电机组各主要机械部件的健康状态判别提供依据。