随着能源危机的加深，各国都在大力发展清洁能源技术，作为一种相对成熟的可再生能源技术，近年来风力发电发展迅速，无论是风机发电量还是新增装机容量都有着大幅度的增长。然而风电建设快速推进的同时，也带来了一系列的挑战，突出的表现就是风电机组的质量问题频发，严重影响正常的生产发电工作，造成巨大的经济损失。因此开发针对风电机组的在线监测与故障预警系统显得尤为必要与迫切。风力发电机作为一种大型的旋转机械，长期处在野外恶劣的工作环境中，故障易发，齿轮箱作为风机内传动系统的核心部件，持续受到交变的冲击力和重载荷，更是故障的高发部位。因此本文着重研究风电机组的齿轮箱故障诊断问题。齿轮箱常见的故障有齿轮断齿、轴承内外圈损坏、轴不平衡等，当这些故障存在时，会引起齿轮箱振动信号的调制问题。不同部位的故障会引起不同的振动信号特征频率，同一部位不同程度的故障会引起不同程度的振动幅值，通过对发生故障的振动信号进行分析，可以对齿轮箱的健康状态做出相应的评估。风机齿轮箱内的结构和受力情况都很复杂，导致获得的齿轮箱振动信号也十分的复杂，因此往往需要专业的技术人员才能完成对设备的故障判断，受制于不同技术人员经验技能的限制，不同人判断的结果往往会有很大差别，而且效率低下。为了解决上述问题，本文拟采用基于BP神经网络的智能故障诊断技术。本文的主要研究内容分为以下几个方面：第一，研究了风力发电机齿轮箱的结构，明确了齿轮箱内产生振动的机理，重点研究了齿轮箱内齿轮、轴承发生故障时的振动信号形式及振动特点。第二，源于风机齿轮箱内的受力情况变化复杂，齿轮箱内的振动信号属于典型的非平稳信号，本文研究了针对振动信号的处理算法，包括时域分析算法，频域分析算法及时频分析算法，通过对比它们的特点，最终确定了利用小波包分解的方法，提取齿轮箱内的故障信号特征值。齿轮箱在发生故障时，必然会引起振动能量的变化，不同的故障会引起不同频带能量的变化，基于这个特点，利用小波包分析方法，计算不同频带的能量变化。第三，为了提高齿轮箱故障诊断的效率和准确性，本文研究了BP神经网络在此方面的应用。BP神经网络作为一种成熟的前向网络，非线性映射能力强，结构相对简单，但是网络的训练学习效果却非常好，本系统结合小波包方法提取的故障特征，将这些特征值送入BP神经网络进行训练和诊断，可以实现故障的智能诊断。第四，基于实验室现有的齿轮箱实验台，开发了一套完整的在线监测与故障诊断系统软件。软件基于虚拟仪器的理念开发，采用LabVIEW编程语言，编制了良好的人机交互界面，完成了振动信号数据的采集、传输、处理和保存等一系列功能。本文研究了齿轮箱故障的原理，确定了基于小波包分解和BP神经网络为核心的故障处理算法，采用LabVIEW及MATLAB混合编程技术开发了一套齿轮箱在线监测及故障诊断系统，系统能够对齿轮箱内的故障类型做出准确判断，具有一定的实用性。