当前,环境污染和能源问题日益突出,人类面临的能源危机日趋严重,因此对于新能源的关注日益升高。风力是取之不尽用之不竭的,是一种可再生绿色能源,具有无噪音、无污染和不产生废弃物的优点。由于风力发电具有无污染、投资周期短、占地面积小的特点,已经逐步成为世界各国更加关注和重点开发的新能源之一。随着近年来大型风电机组装机容量的增加,其系统结构也越来越复杂,它的稳定性和可靠性需要更高的要求,当机组发生故障时,不仅会造成停电,而且可能产生严重的安全事故,从而造成巨大的经济损失。因此,本文研究风力发电系统故障诊断具有重大意义。由于齿轮箱是风力发电机中频繁发生故障的部件,并且由其造成的风机停机时间也最长,同时引起的发电量损失最大,它们的故障尤为值得关注。论文以齿轮箱的故障诊断为主要研究内容,主要研究工作和创新性研究成果有:首先,研究了Hilbert-Huang变换(Hilbert-Huang Transform,HHT)在滚动轴承故障特征提取中的具体方法,HHT是一种新的分析非线性、非平稳信号的时频方法,可以将非平稳信号分解为有限个不同尺度的固有模态函数之和,对分解得到的固有模态函数作Hilbert变换,得到瞬时幅值和瞬时频率,进而获得取待测数据的Hilbert谱,其有效地表现出信号的信息分布情况。在Hilbert-Huang变换中,在运用EMD(Empirical Mode Decomposition)分解方法对非平稳信号处理的过程中,由于在信号端点处往往并非极值点,因此会产生端点效应问题及模态混叠问题。通过引入具有频率均匀分布统计特性的高斯白噪声,采用基于EEMD方法来抑制模态混叠问题,利用互信息方法消除EMD分解过程中产生的虚假分量。其次,针对风电机组振动信号的特殊性,尤其是当风机处于较为恶劣的环境中工作时,存在着较为严重的噪声等干扰,这些干扰了对风机振动信号准确的提取和分析。尤其是早期故障,背景噪声强大,干扰了对风电机组状态的有效识别,针对风电机组工作环境恶劣、噪声污染强烈的特点,采用基于数学形态学滤波的消噪方法对风电机组监测的振动信号进行消噪预处理。相比较于传统的振动信号处理方法,该方法计算简单,运算速度快,并且完全在时域进行处理信号。最后,针对端点效应问题采用一种基于灰色预测理论的端点延拓方法,从而减弱EMD算法的端点效应。采用改进的HHT方法对滚动轴承信号进行诊断分析,仿真效果较好。