齿轮箱作为风电机组的核心部件之一,它的工作状况决定着整个风电机组的运行状态,结合当前研究热门的无监督学习对齿轮箱各工况运行数据进行仿真分析,根据仿真结果判断齿轮箱当前的工作状态,那么就可以提前对风电机组做出正确的操作,这样可以大大降低人力物力的浪费。本文针对风机齿轮箱中齿轮故障特征提取困难和传统分类方法无法自适应故障诊断的问题,给出一种基于集合经验模态分解(EEMD)能量熵与自组织映射(SOM)神经网络的故障诊断方法。首先,使用EEMD方法将齿轮在各个工况下的原始振动信号进行自适应分解为若干个本征模态函数(IMF),计算每个IMF的能量值和信号的能量熵;然后,选取有价值的IMF能量占比与信号能量熵构成特征向量,将得到能够反映故障振动信号的动态特征向量输入到SOM神经网络中进行自适应分类。通过算例仿真分析,结果表明所提方法可以有效提取风机齿轮箱故障特征,并在故障识别方面具有较高的准确性和自适应性。由于自适应共振神经网络(ART2)很好的解决了其他人工神经网络在“适应性”和“稳定性”选择上的两难困境,因此在模式识别中得到了广泛的应用。但ART2网络内部采用的是“硬竞争”方式进行分类,这样会导致分类准确度下降,给出用高斯混合聚类(GMM)算法去“软化”ART2神经网络的聚类结果。以风电机组齿轮箱实测数据进行仿真,结果显示,GMM-ART2模型故障诊断正确率达到了84.8%,相对于传统ART2神经网络的分类结果有了明显的改善。将无监督学习应用在齿轮箱故障诊断研究上,经过仿真实验验证了本文给出的两种诊断模型均可以为齿轮箱故障诊断提供一种新的有效手段。