本项目针对风力发电中并网变流器故障信号相互影响及强电干扰对微弱故障信号的影响，使得故障难以检测的问题，以提高强噪声背景下信号检测能力为切入点，探索故障信号的时频域特征的精细刻画方法，使之满足变流器微弱/潜在故障征兆的提取和故障源识别、定位的需求。通过基于预测度和集成学的盲源分离等方法，将信号分离成多个成分，并采用结构化噪声分析建模与稀疏信号重构的方式，提取出被噪声淹没的微弱/潜在故障信号；对分离或提取得到的信号，在时频域空间进行频谱旋转变换，分析故障信号从时域到频域的特征演变规律，更为完整地实现故障特征信息的描述；基于故障信息分布的流形假设，利用半监督机器学习方法，充分利用大量的未标注信息，挖掘未认知的故障模式，获取精确的故障分类模型；并基于证据理论对冗余信息和互补信息进行融合，解决故障诊断决策中系统检测信号量测的不确定性及故障征兆的不确定性，实现对变流器故障的识别和定位。
