随着我国风电装机容量的井喷式增长，机组的运行维护需求越来越大，“运维市场”成为风电六大关键词之一，我国风电事业的发展面临故障诊断技术落后的瓶颈问题。滚动轴承在风电机组中被大量使用，它是旋转机械最易损坏的零部件之一，其工作环境恶劣，在运转过程中不可避免的受到力、热、振动等多种因素的影响，产生变形、裂纹、压痕、胶着、断裂等损伤，引起安全问题及经济损失。且轴承的拆装、检维修及安装相当不便，耗费巨大人力物力，对其进行状态监测和故障诊断具有重要意义。　　本文以风电机组的滚动轴承为重点研究对象，开展轴承的故障诊断研究，主要研究工作如下：（1） 分析风力发电技术的现状，论述开展风电机组滚动轴承故障诊断研究的意义；研究分析风电机组滚动轴承信号的特性；对滚动轴承的各种故障形式，以及故障诊断过程中的消噪、特征提取与选择、模式识别等关键问题的分析方法和研究现状进行综述。　　（2）针对风电机组轴承振动信号的强干扰、非线性、非平稳特性，通过对比分析和总结传统小波消噪法存在小波基选择、分解层数选取困难的问题，以及软、硬阈值小波消噪法采用单一阈值的局限，提出一种基于信号能量分布的自适应阈值小波消噪方法，将信号进行多尺度分解，对不同尺度的小波系数依据能量分布特性自动选择合适的阈值，再完成信号重构。将该方法分别应用于正弦仿真信号和实测振动信号的消噪处理，实现信号和噪声的有效分离，验证该方法具有良好的消噪效果。　　（3）分析传统时域、频域、时-频域等常用的基于振动信号特征提取方法的不足之处，以及高阶谱在信号处理方面的优势，针对风电机组滚动轴承振动信号的非高斯、非线性特性，引入双谱分析方法，提出基于自适应阈值小波消噪的双谱分析方法，对轴承振动信号进行特征提取。分别以“直接双谱分析”和“基于自适应阈值小波消噪的双谱分析”两种方法，针对以下三种情况进行实验对比分析：①正弦仿真信号；②实测振动信号在“相同转速、不同故障类型”情况下；③实测振动信号在“相同故障类型、不同转速”情况下。由Matlab软件平台编写程序，求取各种情况下的振动信号双谱特征图。经对比分析表明，基于自适应阈值小波消噪的双谱分析方法是一种有效的风电轴承故障特征提取方法，能够很好的反映滚动轴承各种故障类型的特征，且故障特征简单分明，具有“类内相似，类间差异”的特性，具备良好的可分类性能。　　（4）针对风电机组滚动轴承振动信号的非线性、非高斯性，以故障特征提取结果为基础，提出基于二值化双谱特征的模糊聚类模式识别方法。由模糊聚类思想，以目标函数为准则构造各类故障的目标模版，设计分类器，以测试样本与目标模板的距离作为分类依据，对轴承故障进行多类别的分类与识别。通过具体实例对该方法进行分析和验证，结果表明，基于二值双谱特征的模糊聚类模式识别方法对于滚动轴承振动信号的双谱特征具有良好的模式识别和故障分类效果。　　（5） 针对滚动轴承声学噪声和振动之间存在强干扰、强耦合特性，以及不确定的复杂非线性关系的现象，分析其原因和本质，采用基于灰色系统理论的相关性分析方法进行轴承声学噪声与振动相关性分析实验，定量分析结果表明声学噪声与振动之间的相关程度，并以线性回归分析结果表明二者不具有很好的线性相关性。提出一种基于GA-SVR的振动信号预测声学噪声的方法，在多种工况下进行实验分析，验证该方法预测误差小，预测结果准确，并进一步证实声学噪声与振动密切相关的本质，二者之间存在不确定、非线性的关系。　　（6） 针对声学噪声测量过程中，测量仪器设备繁多、测量过程复杂、完全相同的开机和停机测量环境不易实现等问题，提出一种回归分析与BP神经网络相结合的风机声学噪声预测方法，用多元线性回归分析法将原先8个非声学参量简化为5个，再利用BP神经网络分析法对这5个参量的相关样本数据进行网络训练和测试，验证该方法能够简化声学噪声测量过程、精简被测参量数目、提高预测精度。　　以上声学噪声测量和预测的研究工作，旨在为进一步发展和完善基于声学噪声信号的故障诊断、多信息融合的故障诊断技术奠定基础。最后，总结了本文的研究工作，并对今后的研究工作予以展望。