滚动轴承是风力发电机组传动系统的重要组成部件,也是故障发生率最高的部件之一。针对滚动轴承的故障监测与诊断对风力发电机组传动系统动态运行条件下稳定工作具有重大意义。目前主流的诊断法如振动诊断法需要在设备本体上安装额外的振动传感器,不但对设备本体有损伤,且受环境和噪声的影响较大。而定子电流分析法则可以直接通过系统的电气信号对轴承等机械故障进行诊断,其信号获取方法简便、鲁棒性高,且监控系统成本低,可靠性高。特别适用于风力发电机组的故障诊断。本文首先分析了风力发电机轴承的故障机理和几种常见的失效形式,并推导出轴承不同位置的故障特征频率公式。介绍了所用的信号分析方法集合经验模态算法(Ensemble Empirical Mode Decomposition,EEMD)和经验模态算法(Empirical Mode Decomposition,EMD)的基本原理和故障分类方法支持向量机(Support Vector Machine,SVM)的基本原理。并将EEMD和EMD算法进行对比分析验证EEMD的优越性。其次,在MATLAB/Simulink环境下搭建发电机组系统仿真模型,根据滚动轴承故障时的冲击扭矩计算与分析,来对故障状态和正常状态的轴承进行仿真。然后通过对采集到的仿真数据应用EEMD与包络谱相结合的方法进行分析。最后,搭建有交流电动机、滚动轴承及负载发电机等组成的模拟滚动轴承实验台。分别采集不同供电频率下的滚动轴承内外圈故障和正常的电流信号,并对这些电流信号应用EEMD法进行处理。然后通过采集到的EEMD的前四个IMF分量的近似熵值,将近似熵值作为故障特征输入到SVM分类器,完成对滚动轴承故障分类。通过仿真分析和实验验证,滚动轴承的滚珠通过内、外圈的缺陷部位时会产生扭矩的瞬时波动,这会引起定子电流的变化。应用EEMD与希尔伯特包络的信号处理方法,可以在微弱的定子电流信号中提出滚动轴承的故障频率成分。最后验证了支持向量机(SVM)对小样本轴承故障样本中的分类准确率。