1、風(fēng)電機(jī)組運(yùn)行環(huán)境惡劣，加上其結(jié)構(gòu)的復(fù)雜性使得機(jī)械故障頻發(fā)，造成高昂的維修成本，降低了風(fēng)場運(yùn)行的經(jīng)濟(jì)性和可用度。因此為了改善這種狀況，對風(fēng)電機(jī)組進(jìn)行狀態(tài)監(jiān)測顯得尤為重要。在現(xiàn)有的故障監(jiān)測方法中，振動(dòng)監(jiān)測具有測試簡單、測試效率高、實(shí)時(shí)性強(qiáng)、故障定位準(zhǔn)確等優(yōu)點(diǎn)，成為對于機(jī)械設(shè)備早期故障的檢測和預(yù)測最高效的技術(shù)之一。
　　本文研究和分析了各種振動(dòng)數(shù)據(jù)處理和分析方法，包括時(shí)域特征分析、奇異值去噪、小波分析、希爾伯特黃變換、變分模態(tài)分解、倒譜

2、分析等。采用稀疏快速傅里葉變換（SFFT）算法進(jìn)行風(fēng)機(jī)振動(dòng)信號的頻譜分析。SFFT算法主要利用窗函數(shù)過濾信號，然后散列傅里葉系數(shù)，最后進(jìn)行定位與估值運(yùn)算，能快速的計(jì)算出信號頻譜中k（信號的稀疏度）個(gè)擁有最大值的傅里葉系數(shù)。該算法結(jié)構(gòu)簡單，運(yùn)行時(shí)間相對于信號長度n呈亞線性，非常適合振動(dòng)信號的在線頻譜分析。另外，提出基于變分模態(tài)分解的風(fēng)機(jī)軸承故障特征提取算法。首先利用變分模態(tài)分解對風(fēng)機(jī)軸承信號進(jìn)行分解，使得故障信息集中到某些獨(dú)立特征分量中，

3、然后根據(jù)峭度指標(biāo)選擇出這些獨(dú)立分量重構(gòu)信號，進(jìn)而對重構(gòu)信號進(jìn)行奇異值分解降噪，最后對降噪的信號進(jìn)行包絡(luò)分析提取故障頻率。
　　本文研究了風(fēng)電機(jī)組在線振動(dòng)監(jiān)測的整體設(shè)計(jì)思想和結(jié)構(gòu)框架，基于C＃編程語言和GDI+技術(shù)設(shè)計(jì)開發(fā)了風(fēng)電機(jī)組在線振動(dòng)監(jiān)測可視化系統(tǒng)。該系統(tǒng)嵌入了上述部分?jǐn)?shù)據(jù)處理方法，實(shí)現(xiàn)了對風(fēng)電機(jī)組振動(dòng)信號的時(shí)域監(jiān)測、頻譜監(jiān)測、瀑布圖監(jiān)測、特征值監(jiān)測，以及歷史數(shù)據(jù)分析和報(bào)警信息管理等功能，為風(fēng)電機(jī)組各主要機(jī)械部件的健康狀態(tài)判別