伴随着经济的急速发展,传统能源已经无法满足各国的需求,清洁能源越来越受到各国的追捧。中国是世界上人口数一数二的国家,对新能源的需求非常迫切,中国政府也在每年不断加大新能源的投入。其中,风能作为重要的清洁能源也是其中的组成部分。在我国风资源储备也极为丰富,尤其集中在东南沿海和西北草原荒漠地带。因为风资源丰富的地带,环境也很恶劣,这就对于风电设备有着极大的考验,风电设备出现故障也是时有发生。为了最大程度的减少故障发生,建立一套完整的预防与保护风机设备体系就尤为关键。完善的预防保护机制,离不开科学的人工智能建模。由于建模都需要海量的数据支持,然而实际风电设备故障数据较难获取,因此,本文针对风电设备故障的自身特点,建立了基于小波包分解的支持向量机故障诊断分类器设计方法。本文改进齿轮箱故障诊断的传统方法,该方法将小波包和粒子群优化的支持向量机相结合。首先需要采集获取数据,由于齿轮箱的故障振动信号非稳态的特点,需要将振动信号转化成能量分布的直观表示,本文选取小波包作为信号的分解方法。对振动信号进行提取以及分析;用二叉树的方法对孪生支持向量机和模糊支持向量机实施结构化处理,从而达到齿轮箱故障样本多分类的效果。为了验证本文建立的多故障分类器的分类准确性,利用上海风电集团提供的齿轮箱实际数据,测试本文建立的多故障分类器,根据本文的实验结果数据表明:本文建立的风机齿轮箱多故障分类器具有超高的分类识别度,分类效果显著。本文重点研究风力发电机齿轮箱的故障诊断问题,将小波包分解和支持向量机相结合,主要做了以下几个方面的工作与分析:(1)针对风电机组的齿轮箱各类不同故障,选择分析其中四种最典型的状态表征,以时间和频率为角度,探究齿轮箱故障的状态表征,本文采用基于小波包分解的故障信号提取,这里将振动信号转化成直观的能量谱向量形式,在高频率的阈值分解,继而更为直观方便处理的状态特征向量;(2)将所获得的特征向量送入故障诊断模型。本文改进了基于小波包分解和支持向量机的故障诊断方法,在经典的支持向量机的基础上,通过二叉树结构策略优化两种新型支持向量机,分别是孪生支持向量机和模糊支持向量机,通过模糊C均值算法求出模糊支持向量机的模糊隶属度,同时对它们的惩罚因子进行粒子群优化,提高故障诊断的效率和精度。(3)最后将两种优化过的支持向量机比较它们的故障诊断效果,并通过数据分析它们的优缺点,得出结论。