近几年我国的风电产业实现了高速发展,但背后还存在很多困难和挑战。风电机组传动链中的轴承因长期受交变载荷的影响,极易发生故障,严重影响机组正常运行。为对风电机组传动链轴承故障实现有效的诊断分析,本文以风机传动链末端的发电机轴承作为研究对象,从故障特征提取和故障模式识别两个方面进行研究,提出了一种基于EEMD分解和DE-SVM模型结合的故障诊断方法,并通过现场试验验证了该方法的有效性,为风机传动链轴承故障诊断研究提供了一种新思路。首先,对风电机组发电机轴承典型的故障类型和振动机理进行了分析,重点探究风电机组发电机轴承故障发生的可能原因以及严重后果;对发电机轴承结构及其内圈、外圈等不同部位故障特征频率的计算进行了研究,揭示了风电机组发电机轴承故障诊断复杂和困难的原因。其次,在发电机轴承振动信号的故障特征提取方面,针对非平稳信号设计了一种基于EEMD降噪和皮尔逊相关系数法、能量特征分析法相结合的故障特征提取方法。使用EEMD分解对原始信号进行降噪处理得到一系列的IMF分量,结合仿真信号验证了EEMD在抑制信号模态混叠方面具有较好的效果。再根据皮尔逊相关系数法和能量特征法对IMF分量进行综合选择,剔除虚假分量,保留故障信息;以IMF分量的能量分布作为故障特征信息进行故障特征集的构建,并采用仿真信号和CWRU轴承振动数据对该方法进行了分析验证,取得了预期的效果。再次,在故障模式识别方面,建立了基于DE算法优化的SVM轴承故障分类模型。由于SVM模型的性能与其惩罚因子和选用核函数的内部参数有直接关系,为了提升SVM分类器的整体性能,本文借助全局优化能力较强的DE算法对SVM的惩罚因子C和核参数g进行智能寻优,并构建了DE-SVM故障分类模型。借助标准测试函数对DE-SVM模型的性能进行了测试,然后结合CWRU轴承数据进行了实际的故障分类试验,验证了DE-SVM模型具有较强的鲁棒性和良好的分类能力。最后,以风电机组传动链发电机轴承振动数据为例,基于EEMD分解和DESVM模型相结合的方法进行综合故障诊断。对发电机轴承不同故障类型和同种故障不同损伤程度设置分组试验,进行故障诊断,最终结果验证了本文所提方法能够准确识别不同类型的故障以及不同损伤程度的故障,且具有较高的正确率。