由于环境污染问题越来越严重,人们逐渐认识到风能等清洁能源的重要性。大型风力发电机在不断发展的同时也伴随着故障的发生。由于大型风力机组结构庞大,工作环境恶劣,大型风力机组还承受着庞大载荷的作用,主轴承又是风力机组重要的组成部件,其发生故障将导致不能正常工作,会造成很大的经济损失甚至会有人员伤亡,因此有必要对其进行故障分析,快速解决主轴承的故障问题,进而使风场正常运行,获得经济价值。因振动信号获取比较容易,所以本文主要对主轴承振动信号进行故障分析。具体研究内容分以下几部分:针对大型风力机主轴承工作环境特殊,采集的振动信号会含有大量噪声,会掩盖主轴承的特征信号的问题,采用小波和小波包方法对其进行降噪处理,并引入信噪比和均方根误差来比较降噪效果。通过实验验证降噪的效果,为主轴承振动信号的故障分析做了充分的准备。针对主轴承发生故障时会产生突变的问题,用检测突变能力强的多尺度排列熵(Multiscale permutation entropy,MPE)方法进行特征提取。首先用滚动体故障信号进行多尺度排列熵参数的选择,其次对实验信号进行多尺度排列熵进行特征提取,然后利用神经网络方法和极限学习机(Extreme learning machine,ELM)方法进行故障部位识别并进行比较。最后用MPE-ELM方法对大型风力机主轴承振动信号进行故障分析,能准确的识别出故障部位。针对主轴承在发生故障时会出现脉冲激励的问题,首先对其信号进行小波包降噪处理,再用经验模态分解(Empirical mode decomposition,EMD)方法进行信号分解,利用Hilbert变换进行包络分析,只能初步诊断出轴承故障程度。在此基础上通过EMD-ELM方法进行故障程度的分析。对降噪后信号用EMD方法分解,利用能量的关系建立特征向量,用ELM和神经网络方法进行故障识别,并进行对比。最后用EMD-ELM方法对大型风力机主轴承振动信号进行故障分析,能准确的识别出故障程度。