风电近几年发展十分迅速,不仅受到世界各国的高度重视,也是我国增长最快的新能源。由于恶劣的工作环境,风力涡轮机极容易发生故障,而行星齿轮箱是其中故障频率最高的部件,且因其特殊的物理结构,一般的故障诊断方法难以在实际工程中应用,其故障诊断成为亟需解决的技术难题。本文依托实验室风力涡轮动力传动诊断模拟器,设计了行星齿轮箱的故障诊断实验,采集故障数据,分析其振动信号的动态特性,并对振动信号进行故障特征提取,为后续章节故障诊断方法的实验研究奠定了基础。然后,针对行星齿轮箱故障诊断的特点和难点,基于支持向量机对其进行故障诊断研究,主要包括以下内容:首先,为合理选择支持向量机的参数,提出了一种改进的粒子群算法来优化,并与其他方法进行了对比实验。在此基础上,基于参数优化的SVM对行星齿轮箱进行故障诊断研究;其次,针对行星齿轮箱往往存在多种故障类型而支持向量机仅能完成二分类的问题,提出了一种改进有向无环图支持向量机的多分类方法。该方法有效地克服了传统有向无环图支持向量机的缺点,能够选择出具有高分类准确率的决策结构。通过对行星齿轮箱的诊断实验,证明了所提方法是有效的;最后,针对所提的多分类方法无法解决未知故障发生时的故障诊断问题,提出了一种改进支持向量数据描述的故障诊断方法。该方法对已知的每一类样本分别建立超球体,新样本落入哪个超球体内,就认定其属于哪一类。当未知故障产生时,新样本没有落入任何已知超球体内,则认定有新故障产生,对新类型建立新的分类超球体。通过不断迭代增加分类超球体,故障诊断模型不断地得到完善,实验结果表明该方法是行之有效的。