风能作为一种清洁能源,取之不尽用之不竭。近年来,风能的利用在新能源领域得到了广泛的关注。随着风电行业的蓬勃发展,风电机组的故障风险和维修成本也随之增加。变速齿轮箱作为双馈风电机组的核心部件,受工况条件的影响,发生故障的频率较高。因此,针对风电机组的齿轮箱,开展相关故障诊断技术的研究与应用具有重要价值。本文围绕风力发电机齿轮箱的故障诊断问题,将智能诊断学习算法与中智理论相结合,主要做了以下五个方面的研究与分析:(1)简述了本文的课题背景和研究意义,并深入研究了风力发电机齿轮箱的结构以及常见故障。根据国内外关于故障诊断的研究现状,总结了常见的故障诊断方法。(2)在分析风机齿轮箱运行特点、故障机理及其振动故障特征的基础上,针对复杂工况下齿轮箱振动信号非线性、非平稳、特征难以提取及量化问题,研究基于小波包的信号特征提取定量描述方法,将感兴趣的频段成分进行重构,可有效提取和准确描述齿轮箱振动信号的特征。(3)借助中智理论在处理不一致性和不确定性信息上的优势,对传统的近邻监督学习算法加以改进,提出基于中智K近邻的齿轮箱故障诊断方法,实现了对风机齿轮箱故障的分类识别,取得了良好的诊断效果,同时利用所提出的中智划分说明了该方法在混合故障中的应用,从而为风机齿轮箱故障的智能诊断技术提供新的研究思路。(4)针对近邻学习算法易受离群点影响的缺陷,提出了融合互近邻原则及核方法的改进型中智KNN故障诊断算法,有效地甄别出了离群点,消除了离群信息对诊断算法的影响,并在高维特征空间中实现了对故障类型的准确识别,进一步地优化了故障诊断算法,提高了该算法在故障诊断中的可靠性与适用性。(5)最后,为实验方案搭建了风机齿轮箱故障诊断与状态监测系统,简单地讲解了系统硬件组成和软件架构体系,并对设计方案进行了简单的实验验证。