在能源危机和环境污染的双重压力下,大力发展可再生能源是新的发展趋势。风力发电行业是新能源领域一个成功的商业化案例,近年来得到了快速的发展。风电机组在低温、沙尘、雪暴等恶劣的环境下运行。由于风速具有渐变性和随机性,风轮和桨叶将会受到时变载荷的冲击,由于传动链上的部件是刚性连接,因此传动链上的每一个部件也会受到频繁的载荷冲击。由于风电机组主要是根据风速的变化来调整其控制策略,因此传动链(尤其是齿轮、滚动轴承)受到不断变化的载荷冲击,并且冲击强度较大。根据相关统计,在风力发机组中齿轮箱中齿轮和滚动轴承属于故障高发部件,针对风电机组齿轮箱尤其对齿轮和滚转轴承进行故障诊断方法的研究具有重要的意义。本文主要研究内容如下:1.本文以主要是对风电机组齿轮箱中的齿轮和滚动轴承展开研究,主要对齿轮和轴承的常见失效形式进行了简要的分析,同时齿轮和轴承的振动机理以及对出现不同故障时振动信号的特征进行了分析。2.针对于经验模态分解法对非平稳信号进行分析时会出现模态混叠现象,该现象直接影响分解的结果。因此本文采用集合经验模态的分解方法来消除模态混叠现象。当齿轮箱中的零部件(齿轮、滚转轴承)发生故障时多数情况下会出现不同程度的调制现象,使得低频的故障信息被调制到高频信号上。分别介绍了Hilbert包络解调和能量算子解调,它们主要可以用来提取低频的故障信息。通过实验仿真对比发现能量算子的误差较小,因此本文重点采用能量算子解调来提取低频的故障信息。3.由于齿轮箱发生故障时故障信号在传递的过程中易受到其他因素的影响(背景噪声),因此加大了故障特征提取的难度,针对这一问题本文采用自适应随机振动的方法来增强微弱的故障特征,其方法是利用振动信号自身的噪声来降低噪声对提取故障特征的影响。振动信号中含有持续振动持续振荡分量和瞬态冲击成分,对于故障诊断来说,更加关注的是瞬态冲击成分。因此本文采用基于信号振荡特性的调Q小波变换来获取瞬态冲击分量,从而降低故障特征提取的难度。4.针对目前风力发电齿轮箱故障诊断领域故障样本难以获取这一现象,同时目前针对故障严重程度诊断方面的研究较少,所以采用一种改进K均值聚类算法的齿轮箱故障诊断。由于K均值聚类算法易陷入局部最优解,因此利用粒子群对K均值聚类算法进行优化。通常一个样本可以使用用具有代表性的特征来对其进行描述,因此采用利用主成分分析法对特征信息进行降维处理。