由于风力的波动性以及风向的不定性,运行于变转速工况下风电齿轮箱的振动信号表现出典型的非平稳性,其处理与分析对于风电齿轮箱的状态监测与故障诊断具有重要意义。针对实际风电齿轮箱故障损伤试验研究困难这一现状,本文在国家自然科学基金项目(编号：51375433)的资助下,按照功率缩小、结构与功能相似的原则搭建了风电齿轮箱模拟试验台,以进行风电齿轮箱非平稳振动信号处理与故障诊断方法的探索性研究。在试验台上,以模拟风电齿轮箱高速级的一级平行轴增速箱为试验研究对象,对其关于参考轴(输出轴)转角的角域振动信号进行了阶次谱分析；提出了基于S变换的角域周期性冲击特征识别与提取方法；针对风电齿轮箱在使用寿命后期与前期分别采用的径向基函数(RBF)神经网络与支持向量机(SVM)智能故障诊断方法进行了研究,其重点在于故障特征向量的提取与基于遗传算法的故障诊断模型参数优化。为实现时域振动信号的等角度间隔重采样,从而得到角域振动信号,引入了计算阶次谱分析方法,其主要包括重采样时间点的计算以及对应幅值的插值计算。针对平行轴增速箱在转速以正弦曲线变化的运行工况下,对其正常状态以及小齿轮轮齿局部磨损、局部断裂、大齿轮轮齿完全磨损与完全断裂这4种故障状态对应的角域振动信号进行了阶次谱分析。采用RBF神经网络实现风电齿轮箱在使用寿命后期的智能故障诊断,并针对网络隐含层各个节点中心向量的确定,首先采用了K-均值聚类算法。然后在试验研究过程中,针对平行轴增速箱在正常以及前述4种故障状态下的角域振动信号,提取出了能够充分反映增速箱故障状态信息的角域和阶次域故障特征参量,由此组成的故障特征向量作为训练样本和测试样本,分别对网络进行训练与分类性能测试。最后为了提高网络的分类准确率,采用实数编码的遗传算法对网络隐含层各个节点的中心向量进行了优化。利用S变换对风电齿轮箱在故障损伤状态下的角域振动信号进行谱分析,以检测其中的角域周期性冲击特征。而为了抑制角域振动信号中的噪声干扰,突出冲击特征,对角域振动信号的S变换谱分别进行了算法平均化与几何平均化处理。针对风电齿轮箱在故障损伤状态下的角域振动信号,提出了基于S变换谱降噪的角域周期性冲击特征提取方法。在S变换谱的奇异值分解(SVD)降噪过程中,以谱系数矩阵作为SVD处理所需的数据矩阵,利用奇异值差分谱来确定奇异值序列的置零闽值,最后将降噪后的谱进行S逆变换,重构得到角域的冲击特征。在S变换谱的阈值收缩降噪过程中,采用步长迭代算法估计最优阈值,并对谱系数按照模值大小分别以硬阈值函数、软阈值函数进行收缩,最终同样将降噪后的谱经S逆变换重构得到角域冲击特征。采用SVM实现风电齿轮箱在使用寿命前期的智能故障诊断。作为试验研究,首先利用S变换谱算术平均化方法,针对平行轴增速箱在正常以及前述4种故障状态下的角域振动信号分别构建了标准S变换谱。然后利用各状态下角域振动信号的S变换谱与5幅标准谱之间的余弦相似度和相关系数组成故障特征向量,以此作为训练样本和测试样本,分别对由5个二分类SVM组成的5分类SVM进行训练与分类性能测试。最后采用遗传算法对各个二分类SVM的惩罚参数和径向基核函数宽度进行了优化,以提高5分类SVM的分类准确率,改善其推广与泛化能力。