风电机组主轴承是风电机组核心部件,其健康状态直接影响风电机组的正常运行。随着风电机组规模的不断增长,风电机组主轴承一旦发生故障将会导致日常维护和检修费用大大增加,如何快速准确地判断风电机组主轴承的故障状态并进行相应的维修显得尤为重要。本课题的研究内容主要包含风电机组主轴承振动信号处理、风电机组主轴承故障特征提取并选择和电机组主轴承故障状态识别三部分:风电机组主轴承振动信号处理。风电机组主轴承各类振动信号存在非平衡、非线性特点,并且风电机组振动信号数据存在部分故障数据不足的问题。针对风电机组主轴承振动信号数据小样本场景,选择高效的K-S变换方法对风电机组主轴承振动信号进行分解,以提取更多有效的信号特征。风电机组主轴承故障特征的提取和最优特征集合的构建。风电机组主轴承振动信号具有不稳定的特点,同时存在冗余特征多,特征选择困难等问题。针对该问题对风电机组主轴承振动信号的高、中、低频域分别提取包括峰值、均值、标准差、方差、偏斜度、峭度、均方根值、峰峰值、Shannon熵、Renyi熵在内的10种特征,构建一组30维的原始特征。基于Gini指数,将30维特征按降序排序,并使用前向选择策略构建最佳特征子集,最终选取对分类影响最大的14维特征,降低了特征集合的冗余度,避免冗余特征对分类的影响。风电机组主轴承故障识别。风电机组主轴承故障样本中难以包含所有故障类型,此外,实际工作中可能包含未知类型故障场景,当存在未知故障类型时,容易将未知故障识别为已知故障或者正常状态。在风电机组主轴承振动信号识别领域,未知故障状态的识别一直是故障诊断的难点。本课题采用正态样本训练单类支持向量机进行正常信号和非正常信号的识别;采用已知故障样本训练的单类支持向量机对包含未知故障的非正常信号进行识别,区分已知故障样本和未知故障样本;采用已知故障样本训练随机森林多类分类器对已知故障类型进行识别。该单类分类器和多类分类器结合的层次化混合分类器可以得到较理想的较好的进行含未知故障的各类故障诊断。本课题针对小样本场景下的风电机组主轴承振动信号进行实验,实验结果表明该方法克服了传统单一分类器对训练样本依赖度过高的缺陷,减少了漏检和误识别等问题,并能够高效的对风电机组主轴承故障进行识别,具有较高的工程应用价值。