风电机组运行工况恶劣、所受载荷复杂多变使得机组故障率较高,导致风电机组利用率与利用小时数低,运维费用高。为了保证机组的安全运行,提高风电的经济性和市场竞争力,对风电机组进行状态监测和故障诊断势在必行。风电机组状态监测系统(简称CMS)通过对传动链部件的振动信号进行监测实现故障诊断,振动信号分析的主要方法建立在傅里叶变换、小波变换等正交线性变换的基础上,这类分析方法会将故障信息分解到过多的基函数中,不利于故障特征的提取。如果基函数是过冗余的,信号在分解成一系列基函数的线性组合时,可以根据信号的特点自适应地选取与信号最为匹配的基函数。由于字典具有高度冗余性,稀疏分解表征复杂振动信号时,可以实现用较少的函数组合表示信号,故障特征不会分散到过多的基函数中。为了在设备故障早期及时发现故障特征,本文将稀疏分解方法引入到风电机组振动信号的处理中。根据齿轮箱振动信号中故障成分与平稳啮合成分在形态上的差异性,采用基于可调品质因子小波字典的稀疏分解方法对信号中的故障成分进行提取,并通过仿真信号与机组实际振动信号验证所选方法的效果。本文的主要研究内容如下:(1)根据风电机组中行星齿轮箱的结构及传动特点,研究了齿轮箱行星级的各类故障的振动信号特点,计算了相应的故障频率,并通过仿真信号研究了其频谱特性。(2)介绍了信号稀疏分解的基本理论,探讨了稀疏分解的几类基本分析方法,研究了可调品质因子小波的机理和相关特性。(3)根据共振稀疏分解理论,针对基于L1范数的稀疏分解算法存在分解精度低和不稳定缺陷,提出了基于非凸稀疏度量函数及噪声优化的改进共振稀疏分解方法。并将该方法与多尺度包络分析结合形成了风电机组多故障诊断方法,并完成了程序实现。通过仿真信号和实际风电机组振动信号对方法进行验证,证明了方法的有效性。