随着风能的日益发展与广泛应用,确保风电机组安全稳定且高效运行已成为风力发电行业发展的基本要求。变桨系统作为控制风电机组的功率输出以及安全制动的核心部件之一,因运行环境的恶劣以及内部部件的高耦合性等特点,使其成为了风机内部故障率较高的系统。且变桨系统的维修具有时间长、成本高、难度大等特点。因此,及时发现故障状态并对引发该故障的故障源进行判断,对于缩短停机时间、降低维护成本等具有重要的现实意义。为解决所用数据集中存在的数据缺失问题,提出针对离散型与连续型缺失数据采用不同算法进行缺失值插补的方法。该方法首先设计一种对缺失值类型进行分类的算法,即对缺失数据的索引位置进行查询,并基于各变量构成的向量,以索引位置之间的距离为依据进行缺失数据类型的判断,当距离大于所设定阈值时,判断为连续型,反之为离散型。而后根据缺失数据无规律且分布时刻较为分散的特点,对离散型的缺失数据使用均值法进行插补;对连续型的缺失数据使用BP神经网络来进行缺失数据的插补。基于上述缺失数据插补方法,能够获得较为贴近真实值的缺失值,为提升后续故障诊断结果的精度打下了坚实基础。为解决Relief算法在进行故障特征选择时,所选择的特征更偏向表示多数类的问题,提出改进的Relief算法。该算法首先改变Relief算法选择用来更新权重的样本的方式,即通过计算对样本赋予被选到用于更新权重的概率,并根据该概率对被用来更新权重的样本进行选择;而后,为提升算法鲁棒性,通过计算欧氏距离并设定规则,选择多个同类最近邻样本与异类最近邻样本参与特征权重的更新。该改进的Relief算法能够解决类不平衡数据集特征选择时的“偏向”问题,鲁棒性较高,且能够降低特征冗余度,提升故障诊断的准确性与效率。变桨系统内部的复杂结构导致其先验知识难以获取完整,因此选择基于数据驱动的方法对该系统进行故障诊断。针对风电机组变桨系统进行基于贡献图法的故障源辨识时会出现“拖尾效应”,即由于其内部部件的高耦合性而导致的在故障变量的影响下,会导致非故障变量贡献率变大的问题,提出多块核主元分析算法（MBKPCA）。该算法利用残差空间对故障具有敏感性这一特点,基于历史故障数据构造故障特征变量间的距离矩阵,并根据该距离矩阵设计了一个用于变量分块的多变量优化问题,解该问题即得到故障所对应的不同变量分块,并在各个变量块进行故障诊断。该分块算法独立于过程知识,且分块结果具有自适应性,能够反映出系统运行过程中的变化,故障检测准确率较高,并且能有效地降低在计算各变量贡献率时的“拖尾效应”,提升故障源辨识结果的准确性。