项目背景： 众所周知，风力发电是新能源发电中最具商业价值的发电形式，目前，我国陆续建设了很多大型风力发电场，装机容量世界第一。但随着装机容量的增加，风机故障和风场的运行维护需求日益增加，因此，实时准确的状态监测和风机故障诊断，可以实现及时维修和部分预知维修，从而提高发电效率和电力系统的安全可靠性。 主要研究内容及创新点： 1、 基于信息融合的兆瓦级风力发电机智能故障诊断策略研究 (1) 提出了基于专家知识、模糊神经网络和小波分析三种推理模式集成的风力发电机组合智能诊断策略和系统结构；建立了风力发电机故障智能诊断系统；利用模糊神经网络构造了风力发电机常见运行故障的专家诊断知识库，实现了风力发电机的综合故障诊断。 (2)将故障诊断与容错控制技术应用于风力发电机控制系统中，采用动态硬件冗余的容错控制，实现了在制动系统执行器失效时，系统仍能安全制动。提高了设备运行的安全性与可靠性，避免事故的发生。 (3)利用小波网络对制动盘衬垫磨损、闸瓦磨损度等特征参数进行趋势预测，提高预知维修性，经过仿真和实例验证，结果满足实际要求，预测效果较好。 (4) 提出了采用一种综合性的安全控制策略来提高风力发电机运行的可靠性。它将故障诊断、容错控制、模糊控制等多项技术进行集成，使控制系统更加安全可靠。 2、故障特征基于多源信息和约束条件的多尺度诊断方法 （1）以风力发电机组平台中的传动链系统为研究对象，以一届惯性环节表示传动过程中的时滞情况，分析其中一些部件之间相互影响的关系，这些已知的关系以等式方程的形式描述这种关系。 （2）在建立的约束模型的基础上，估计系统运行的状态。提出一种多尺度分析的方法进行处理，首先对原系统进行分块，然后进行小波变换，再对小波系数进行滤波，最后重构得到原状态的估计值。 （3）为了提高系统性能，提出了基于小波变换和扩展卡尔曼滤波的多尺度估计方法，不仅提高了系统的估计精度，而且还能够给出被估量在频域上的信息，精度的提高有助于进行更加精确的故障诊断。 （4）当有多个传感器同时对系统观测时，会获取更多的信息，依据状态估计的结果，计算出残差的大小，和预先设定的阈值比较， 对故障做出检测。 （5）基于矩阵的谱分解、信号的多尺度变换及谱的多尺度表示，提出一种扩展多尺度主元分析EMSPCA异常检测算法，在统一投影框架下，仅用一个PCA模型就可以实现各个尺度上的数据特征提取，实现故障检测。 本成果具有效率高，实时性好，使用方便的优点。已分别在上海电气风电设备有限公司和上海寰晟新能源设备有限公司得到应用和推广。近三年新增产值2115万元。 本成果在国内外期刊和国际会议上发表被SCI和EI收录的论文14篇，授权国家发明专利5项， 实用新型专利10项；在上海交通大学出版社出版《大型风力发电机组状态监测与智能故障诊断》专著一部；培养研究生600余名；本成果的应用推广取得了良好的经济、社会和环保效益，有力地推动了新能源发电产品的发展，推动了风电行业的人才培养和科技进步。