本论文以风电机组传动链为研究对象,着眼于旋转部件故障信号的非线性非平稳动态特性识别,重点分析了数学形态学和变分模态分解的研究现状和存在问题,在现有理论框架下进行了深入研究和发展,实现了风电机组传动链中旋转部件早期微弱故障的特征提取和诊断。全文工作主要包含三个方面:1、基于迭代数学形态学(Iterative mathematical morphology,IMM)的滚动轴承故障特征提取。单尺度数学形态学分析易造成过滤波或欠滤波现象,特征信息识别能力较弱,多尺度数学形态学分析的残余噪声问题严重抑制了多尺度分析的信号综合解析表现。基于此,提出了迭代数学形态学的优化算法。为了满足IMM中形态算子必须为非幂等性的要求,设计了基于开算子和闭算子的改进形态差分算子。在单尺度分析框架上,构造了基于IMM和简化敏感因子算法(IMM-Simplied sensitive factor,IMM-SSF)的融合算法,电机轴承和风电机组传动链轴承故障分析证明:与经典的Nikolaou方法和Raj方法相比,IMM-SSF具有结构元素定义简单和更优的消噪效果,提升了单尺度分析的故障特征提取性能。在多尺度分析基础上,构建了基于IMM的自适应多尺度迭代形态算法,实际的电机轴承和风电机组传动链轴承故障的识别效果表明:与普通多尺度方法相比,这个优化算法在强噪声背景下能够进一步抑制残余噪声,具备更好的故障特征识别效果。2、基于自适应非对称多尺度形态学(Adaptive asymmetrical multiscale morphology,AAMM)的滚动轴承故障辨识。以滚动轴承故障信号的幅值调制为研究点,解析了脉冲信号幅值与结构元素尺度之间的关系,发现了结构元素尺度增大是抑制小幅值脉冲信号的主要原因,建立了结构元素的非对称多尺度定义。另外,针对脉冲信号的不完全提取问题,提出了自适应延伸形态计算方法。滚动轴承故障的研究结果证明:AAMM与对称多尺度形态分析对比,前者敏感于信号的幅值调制现象,故障特征解调效果更好。3、基于变分模态分解(Varitional mode decomposition,VMD)的风电机组传动链齿轮箱故障特征提取。窄带子信号参数κ的合理性定义是VMD应用的关键,分析了信号频谱结构和κ之间的关系,设想以简化频谱结构作为直接定义κ的可行性,提出了基于l1趋势滤波和变分模态分解的融合方法,实际风电机组失效齿轮箱的时域特征分离结果证明了这一设想的有效性和可靠性。另外,旋转部件故障特征表现出非线性属性,而该参数的现有自适应定义是基于信号特征具备严格单调性的假设,因此这些算法体现出弱可靠性缺陷,进而发展出试探性变分模态分解(Tentative VMD,TVMD)模型。同时,应用动态时间规整(Dynamic time warping,DTW)解决TVMD分后的模式混叠问题,最终构建了TVMD和DTW的复合算法。风电机组传动链齿轮箱故障诊断表明:与经验模态分解方法相比,复合方法处理过程表现出更高的健壮性,所提取的齿轮故障特征更为突出。本文研究是建立在仿真信号和实际旋转部件故障振动信号的分析基础之上,所提出的这些方法能够有效提升风电机组传动链中旋转部件早期微弱故障特征的识别效果,对风电机组传动链故障诊断研究和应用具有重要意义。