随着人类社会的发展,全球能源紧缺,环境污染加剧等社会问题日益凸显,风能因其储量丰富、清洁环保、可再生等优点已成为各国重点开发的能源之一。根据研究表明,风力发电机组传动系统故障发生频率较高,故障造成损失最为严重,因此对于风力发电机组传动系统关键部件齿轮箱的研究尤其重要。本文将风力发电机组齿轮箱作为研究对象,获取不同工况下齿轮箱的振动信号,重点研究信号分析方法和故障诊断方法,目的是提高风力发电机组的可靠性。针对齿轮箱易出现故障的齿轮和轴承,本文主要做了以下工作。(1)研究了大型风电机组齿轮箱故障产生机理,介绍基于振动信号的故障诊断方法。针对采集的齿轮箱振动信号往往包含了大量的噪声信息,对故障识别造成了较大的影响。本文采用组合形态滤波降噪的方法有效降低了振动信号的噪声,并与常见的小波阈值降噪方法和小波包降噪方法相比较。通过对齿轮箱齿轮、轴承故障实验数据进行分析,结果表明组合形态滤波降噪方法具有更高信噪比、更小的均方差,验证了该方法有较好的效果。(2)研究了大型风电机组齿轮箱振动信号的特征提取和故障诊断,引入了能量熵作为故障诊断的特征参数,提出了基于集成经验模态分解-能量熵的振动信号特征提取新方法。该方法通过均匀添加高斯白噪声的方式消除了传统的经验模态分解中模态混叠的影响。上述方法与小波包能量熵特征提取方法相比具有自适应调节能力强,在时域和频域都有很高的分辨率。(3)针对风力发电机组齿轮箱振动信号非线性、非平稳信号的特点,本文提出了一种基于集成经验模态分解-改进量子遗传算法优化的BP神经网路故障诊断方法。使用集成经验模态分解将齿轮箱振动信号序列分解成一系列内蕴模式函数分量;然后提取各分量的特征参数,对特征参数采用主成分分析法进行降维处理;使用降维后的特征参数集训练神经网络,建立故障诊断模型;在训练过程中,采用改进量子遗传算法优化BP神经网络的权值和阈值。仿真实验表明,该模型能有效提取振动信号主要特征,实现了风力发电机组齿轮箱故障的诊断。