行星传动结构一般尺寸小、传动比大的特点,逐渐取代传统齿轮箱,广泛的应用于各种大型机械设备中,行星齿轮箱一旦发生故障,将会造成很大的安全事故和经济损失,针对传统传动结构的齿轮箱的故障预警与诊断的研究已经比较成熟,但是对行星齿轮箱故障的研究却是比较少,本文针对风电行星齿轮箱,采用SCADA数据和振动数据进行故障预警与诊断的研究。本文的主要研究内容如下：1.首先,对齿轮的常见故障进行了介绍,从齿轮的振动机理出发,建立齿轮振动模型,分析齿轮典型故障下的振动信号特征,同时对风电齿轮箱的类型以及结构进行介绍,以齿轮磨损这一故障为研究对象,结合FTA和FEMA技术,分析故障原因、影响、征兆以及相应的维修措施,建立完整的故障知识库。2.在平行啮合齿轮振动分析的基础上,对行星轮系振动信号模型进行分析,计算行星轮系各组件的转动频率,分别对行星轮系正常、分布故障、局部故障时的振动信号模型进行分析,得出各故障的特征频率,利用MATLAB软件对行星轮系各状态进行仿真,分析各状态下的频谱特征。3.针对很少利用现有SCADA数据对齿轮箱进行故障预警与诊断的现状,本文对齿轮箱润滑油油温进行研究,针对齿轮箱运行工况复杂多变,依靠恒定的润滑油温度值作为齿轮箱故障预警值容易出现误报的问题,提出了基于运行区间划分的齿轮箱在线故障预警方法。通过划分不同的运行区间,根据高斯模型对不同运行区间分别设定阈值,将实时数据带入相应的运行区间判定是否异常,再利用移动窗口计算异常率作为触发齿轮箱故障预警的指标。4.无量纲指标对于齿轮早期故障敏感,可以作为齿轮早期故障预警,针对新无量纲指标需要在整周期采样的基础上进行计算的要求以及风电机组运行工况不稳定,所测得的振动信号为非平稳信号的现状,采用阶比分析以及EMD分解方法对振动信号进行预处理,进而转化为平稳角域信号,同时齿轮箱不同传感器测点提供故障不同敏感度的信息或者互补的信息,本文以多传感所测振动信号的无量纲指标为预警参数,采用遗传优化神经网络算法对齿轮早期故障进行预警,比一般神经网络算法计算速度快,准确率高。5.在上述第2点的行星轮系故障特征的基础上,提出一种新型的齿轮箱故障部位以及严重程度的在线诊断方法,首先提取可准确表征故障信息的特征量,再计算待测样本和预先设定的各故障模式标准样本之间的J-散度和KL-散度值,利用散度值可表征故障模式以及散度值的变化可追踪故障严重程度变化的特点,来判断故障部位及严重程度,同时,针对行星齿轮箱一般缺乏足够故障样本的问题,对此方法进行改进,通过计算待测样本与正常标准样本之间不同故障特征量的散度值,可以有效判断故障模式以及严重程度。6.在本文的研究基础上,把本文的研究内容应用于实际的风电机组行星齿轮箱的故障预警与诊断,验证了此方法的有效性,同时对风电机组齿轮箱故障预警和故障诊断的系统进行初步开发。