行星齿轮箱是风力发电机组传动系统的重要组成部件,也是故障发生率最高的部件之一,近年来随着风机容量的饱和,后期的保养与维护越发重要。因此,研究风电齿轮箱的故障监测与诊断技术对风电场的平稳输电和后期维护有着重要意义。本文以一级行星齿轮箱为研究对象,利用集合经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)提取齿轮箱中的故障特征,EEMD通过叠加高斯白噪声填补信号的间断处使信号变得连续平稳,这样就可以有效的抑制经验模式分解(Empirical Mode Decomposition,EMD)过程中产生的模态混叠现象,提高信号分析的精度。首先,本文介绍了行星齿轮箱的结构和典型故障并建立行星齿轮箱振动信号模型,分析了EEMD的基本原理及算法,并与经验模态分解(EMD)进行对比加以验证该方法能够有效抑制EMD算法在分解过程中出现的模式混叠现象。其次,用三维建模软件Solid Works建立风电机组齿轮箱行星轮系模型,联合ADAMS对风电机组行星齿轮箱进行动力学仿真。分别建立正常和故障齿轮模型并对其进行动力学仿真,对仿真得到的啮合力特征做频谱分析判断齿轮的工作状态,验证虚拟样机技术对于风电机组齿轮箱的故障诊断的可行性。最后,搭建风力发电机组模拟试验台,分别在行星齿轮箱正常和故障条件下采集齿轮箱的振动信息并将振动信号进行EEMD分解,对有效的IMF分量做包络谱分析,通过包络分析提取出信号中的特征频率并诊断行星齿轮箱工作状态。通过模型仿真分析,轮齿的故障频率作为调制频率会引起载波频率的变化,通过对啮合力的分析可以找到齿轮故障特征频率成份以及相关成份,验证了仿真的可行性。实验结果表明,虽然行星齿轮箱的原始振动信息复杂,通过对行星齿轮箱正常和故障状态下的振动数据对比分析,表明EEMD分解对于振动信号的去噪以及抑制模态混叠现象具有十分明显的效果,能够准确地反映故障特征频率,验证了EEMD算法对行星齿轮箱故障诊断应用的可行性。