风电机组齿轮箱运行过程中产生的磨损颗粒会对设备的运行造成不良影响,并随着油路的循环对设备其他部件造成难以修复的损害。磨粒的浓度和种类可以反映设备的运行状况,因此分析和研究机械设备油路中的磨粒,对设备运行状态的评估和故障的诊断具有重要意义。本文针对当前对风电机组齿轮箱磨粒特征描述不准确、识别度不高的问题,根据研究样本的特点定义了一种描述磨粒轮廓信息的参数,提出了一种能够更准确描述磨粒的综合特征提取方法,在此基础上设计了基于残差神经网络算法的磨粒识别模型,进一步提高了磨粒识别的准确率。研究成果对风力发电机组齿轮箱运行状态的评估和分析具有理论意义和实际应用价值。主要研究内容介绍如下:首先,采集了风电机组齿轮箱润滑液中的磨粒样本,使用基于数字图像处理的方法,完成了磨粒图像灰度化、平滑化、锐化、二值化和形态学操作的处理,并利用Canny算子进行边缘检测,提取了磨粒的轮廓,建立了包含498个磨粒图像的风电机组齿轮箱磨粒样本数据库。其次,针对磨粒特征描述不准确的问题,提出了一种描述磨粒轮廓信息的参数并定义为径向偏差,根据径向偏差规定了磨粒的形状异常度和轮廓偏差,结合磨粒的周长、面积、曲率、细长程度、面积偏差和分型维数等特征,提出了一种基于磨粒形状特征和轮廓特征的综合提取方法。使用了随机森林分类模型对比单一的特征提取方式进行了磨粒种类的识别。实验结果表明采用本文提出的磨粒综合特征提取方法,能够有效的提高磨粒种类的识别准确率。最后,针对使用传统分类方法识别率不够高的问题,设计了基于残差神经网络(ResNet)的磨粒识别模型。作为对比又建立了基于BP神经网络、基于LeNet-5和基于Alex Net的识别模型,使用四种模型对实验样本数据进行了识别和验证,对比了四种模型的准确率、损失函数和收敛稳定性。实验结果表明基于ResNet的磨粒识别模型能够更准确的完成对风力发电机组齿轮箱磨粒的分类和识别。