风电机组运行环境一般较为恶略,长时间运行可能导致设备产生故障。风电机组主传动链上任何一个关键零部件失效都会导致传动系统瘫痪,进而影响风电机组的正常运行,造成不可估计的损失。齿轮箱和轴承作为风电机组主传动链上的核心部件,对其进行故障特征提取和故障识别的重要性不言而喻。首先,开发了基于cRIO的数据采集软件,为故障特征提取和故障识别提供实验数据来源,文中用到的实验数据均由此软件采集得到。齿轮处于运行状态时,分为变转速和定转速两种状态。当转速恒定时,若齿轮产生故障,振动信号会产生幅值调制,采解调分析方法对信号进行特征频率提取。由于齿轮在产生故障时,特征频率成分会产生明显变化,导致能量分布产生较大改变,本文在此基础上提出了基于频域的能量重心法和相关系数法对齿轮进行故障诊断,通过仿真和实验验证了这种方法的有效性。当齿轮处于变转速状态且发生故障时,振动信号变为既有幅值调制又有频率调制的信号,本文采用了包络阶次分析方法对故障齿轮进行特征频率提取,并通过齿轮的断齿实验进行验证,从而解决了传统傅里叶变换在处理此类信号时产生的“频谱模糊”现象。轴承在风电机组主传动链中和齿轮具有同等重要的位置,对其进行故障特征提取和故障识别研究必不可少。本文采用聚类经验模态分解和支持向量机的方法对故障信号进行特征提取和故障识别。首先,对故障轴承的振动信号进行EEMD分解,对分解后的IMF分量进行能量计算,得到故障信号在不同尺度上的能量分布,通过进一步计算得到其能量熵和奇异值熵。对计算结果进行分析得到如下结论：随着故障程度的增加,能量熵值逐渐减小,奇异值熵和能量熵的变化趋势一致且大小略低于能量熵；不同故障的轴承,其振动信号的能量分布不同。因此,可以把故障轴承的能量分布、能量熵作为特征参数进行故障识别。选取正常、外圈故障、内圈故障和滚动体故障四种情况。把故障信号在不同尺度上的能量分布作为特征向量用支持向量机进行故障识别；把信号的峭度、包络有效值、能量熵作为特征向量进行故障分类。