风电作为一种储能丰富、低碳无污染的绿色能源，是解决生态环境问题和能源短缺的重要选择。近年来，我国风电累计装机容量和新增装机容量均位列全球第一，装机规模和单机容量也在不断的提高。随着风电事业的迅猛发展，机组部件的故障率也受到越来越多的关注。对机组进行实时有效的评估，避免重大事故的发生，是风电领域研究的热点。风电滚动轴承是风电传动系统的关键部件，在运行中承受着很强的时变载荷和冲击载荷，经常出现故障导致机组停运。大数据时代下，将统计学习模型与风电领域海量运行数据相结合，运用多源信息融合的方法，能够全面地把握风电关键部件的健康状态、减少故障诊断过程中对专业知识的依赖。基于此，本文提出了基于多源信息融合的风电滚动轴承故障诊断方法。主要内容如下：
　　（1）介绍了风电传动链模拟试验台的组成部件及相应的信号采集系统，分析了振动信号和声发射信号（Acoustic Emission，AE）的故障敏感程度。
　　（2）提出了滚动轴承多视角特征提取方法。针对传统方法的特征集维度低、单视角特征无法全面把握轴承状态的问题，将 Tsfresh 和信号处理技术相结合，从时域、频域和时频域的角度，考察信号的原始波形、频谱、包络谱、经验模态分解（Empirical Mode Decomposition，EMD）分量以及连续小波变换（Continuous wavelet transform， CWT）二维系数矩阵，构造了高维的特征集。实验证明了振动与声发射信号特征的互补性以及振动信号多视角特征的有效性。
　　（3）基于机器学习模型，提出了特征融合的方法。针对轴承振动信号高维特征集中无效特征和冗余特征的问题，将随机森林模型和自编码模型相结合对高维特征进行筛选和降维。首先，利用随机森林模型计算出每一个特征的重要度并将特征排序，选择合适数量的重要特征并剔除与故障诊断关联较小的特征；然后将选择出的特征送入到自编码器中进行非线性映射实现降维，进一步减少特征中的冗余；最后将形成的冗余小的低维特征集作为分类模型的输入进行诊断。实验中利用凯斯西储大学的轴承振动信号数据来构造高维特征集并进行特征融合，进而对9种不同的轴承故障状态进行分类识别，结果表明，与 PCA、KPCA和 LLE等常见的融合模型相比，该方法具有最佳的分类准确率。
　　（4）针对齿轮箱中滚动轴承与其他部件的复合故障现象，提出了基于第 6 类比例冲突分配规则（Proportional conflict redistribution No.6，PCR6）的多模型融合的故障诊断方法。为保证子模型差异性，选择支持向量机、逻辑斯蒂回归、梯度提升树和深度信念网络等4种子模型进行初步诊断，并输出每个样本的分类概率；然后将子模型分类概率进行匹配和折扣后送入到PCR6中进行最后的决策融合。实验结果证明，该方法取得了比常见投票表决法和Stacking方法更加可靠和稳定的诊断结果。