随着异常气候,环境问题在全球范围内日益严重,各国对新能源的开发需求日益增加,风电在电力市场中所占比例不断上升。风电机组多安装在环境恶劣的地域,这大大提升了风电机组的维护成本,为了降低风电机组维护成本,开展风电机组的状态监测与故障诊断方法的研究具有至关重要的意义。为了能使风电机组长期安全稳定的运行,从而基于振动信号与模式识别对风电机组故障诊断技术展开研究。首先以风电机组滚动轴承为研究对象,在频域上研究了一种基于自适应变分模态分解(AVMD)-支持向量机(SVM)的故障诊断方法,之后在时域上研究了一种基于数学形态学(MM)-相关性分析(CA)的故障诊断方法,最后为了提高故障诊断的可靠性,结合前两种方法的优点提出了一种基于信息融合的复合诊断方法。主要研究内容如下:(1)针对风电机组中旋转机械振动信号呈现的非线性、非稳定等特性,提出一种基于AVMD-SVM的滚动轴承故障诊断方法。该方法通过AVMD将单分量故障信号分解为不同频率分量的多分量信号,之后使用熵价值法得到信号的特征向量,然后使用SVM对特征向量进行训练,最终根据SVM的输出结果判定信号故障类别。经验证该方法诊断效果良好,但是对于同类型不同损伤程度的故障(未训练)诊断效果欠佳。(2)针对AVMD-SVM方法对同类型不同损伤程度故障诊断效果欠佳的情况,采用了基于MM-CA的滚动轴承故障诊断方法。该方法对故障信号在时域上做MM处理,之后将处理后的信号转变到频域中得到信号特征,最后将待检测信号特征与各个故障类别的信号特征做CA处理,其中相关系数最高的故障类别即为判定结果。结果表明该方法对于同类型不同损伤程度的故障诊断效果良好,但是该方法抗干扰能力相较AVMD-SVM方法弱,对故障的敏感度欠佳。(3)综合上述两种方法的特点,提出了一种基于证据理论的复合诊断方法,该方法使用改进证据理论将上述两种方法的最终诊断结果融合得到新的诊断结果,相较未改进的证据理论提高了融合准确性。复合诊断方法结合了上述两种方法的优点,相比传统的单一故障诊断算法具有更高的识别率和可靠性。