针对风力发电机组轴承故障信号微弱、不易提取、识别困难等问题，提出基于自适应白噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)、时移多尺度排列熵(Time-Shift Multiscale Permutation Entropy, TSMPE)、主成分分析法(Principal Component Analysis，PCA)相结合的振动信号降噪算法，结合改进人工鱼群(Improved Artificial Fish Swarm Algorithm，IAFSA)优化支持向量机(Support Vector Machine，SVM)分类算法，实现风力发电机轴承的故障诊断。首先将风力发电机轴承原始振动信号进行CEEMDAN分解，得到一系列由高频到低频的IMF分量，通过相关系数筛选出经CEEMDAN分解后所产生虚假分量以及残余噪声分量并进行剔除，再通过峭度值在剩余分量中筛选出包含故障信息较多的IMF分量进行信号重构；其次，采用TSMPE计算重构信号的敏感特征值，经PCA选择后组成特征向量；最后，以IAFSA优化SVM，训练IAFSA-SVM多分类故障分类器，实现风力发电机轴承故障识别。将该方法与其他组合方法进行比较，证明所提方法在风力发电机轴承故障诊断中具有优越性和有效性。

为了准确掌握风机结构在实际运行中的动态特性，对风机结构的振动响应和运行数据进行现场监测，基于随机子空间算法（Stochastic Subspace Identification，SSI），使用3 种不同的加权算法对监测数据进行模态分析，并将其与数值模型的模态分析结果进行比较。结果表明：SSI-UPC和SSI-PC算法精度较高，且采用SSI-UPC算法可以识别出较多的模态阶数，而SSI-CVA算法识别效果最差。此外，风机的数值模型在频域特征上与实际风机基本一致。该成果可以为同类型风机的设计、数值模拟提供参考和验证，同时为连续识别风机运行过程中的重要振动模态奠定基础。

研究小波阈值去噪时存在的噪声估计失真问题。当采用常见的阈值确定方法对含有较强高频分量的信号进行小波去噪时，小波分析的频带能量泄漏现象会导致噪声估计失真，从而使小波阈值去噪出现较大的偏差。从小波分解的d1细节层和d2细节层的相关性角度，揭示d2细节层频带能量泄漏对噪声估计影响的规律，提出根据d1、d2细节层的最大相关系数判别噪声估计失真的方法。最后，给出解决噪声估计失真的方法。实验表明，该方法可以很好地判别小波去噪中是否出现噪声估计失真，可以避免出现去噪后信号有用信息损失严重的问题。

约束层阻尼作为表面阻尼的一种方式，通常用于解决金属板状结构的振动和噪声问题。目前，通常采用阻尼材料的损耗因子、储能模量来评估材料的减振性能，但是这种方法不能直接有效地评估阻尼材料在实际应用中的所获得的减振降噪的效果。采用正弦扫描和类白噪声随机振动激励激振简支梁的方法，通过分析响应数据来表征约束层阻尼的减振降噪效果。

采用改进型小波包算法从电气和机械方面提取信号的故障特征，提出一种基于小波包分析频带能量的故障诊断方法。经实验可知，该方法能够更全面的快速检测到转子断条故障的存在而且准确率高，在许多工程实践中可以应用。