风力发电主要依靠风力发电机组的持续安全运行,由于只能在有风的区域建设风力发电机,而且高空风的风向和风速多变,这使得风力发电机组长期处于变负荷运行工况下。而且在风比较大的区域,风机的工作环境更为恶劣。在如此不利的工况下,风力发电机组故障的发生几率会变大。而且随着近些年风电的发展,许多风电设备制造商开始越来越关注风电机组的安全运行,这对风电机组状态监测和故障诊断系统提出了较高的要求。除此之外,由于风能行业的固有特点,风机在风场中分布范围是十分广泛的,而且正常运行情况下是无人值守的,这使得风机在发生故障时无法及时得到修复。因此,针对风力发电机故障诊断方法的研究具有实际意义,这不仅可以提高风机的可靠性和可利用小时数,而且风电场的运行维护费用也可以得到最大限度的下降,所以这在实际的风电生产中有较高的工程实际意义。一般故障诊断技术大致分为三类：1.传统意义上的诊断方法。2.数学诊断方法。3.智能诊断方法。本文采用智能诊断方法对故障进行诊断,由于智能诊断方法不需要精确的数学模型,所以本文采用这种方法对齿轮箱震动信号的分析识别,整个判断过程由计算机程序完成,程序自己完成对故障类型和故障位置的确定。其中,智能诊断方法主要有：专家系统、模糊数学、神经网络、智能算法、支持向量机等等。每一种智能算法都有自己的优缺点,都有自己所擅长的模型。所以,本章提出了一种基于改进型果蝇算法优化BP神经网络的智能齿轮箱故障诊断方法,并且使用了现场的实测数据进行了故障诊断仿真和分析对比。本文全面的分析介绍了风电行业在国内外的发展现状和趋势,并且对风力发电机组的结构和工作原理进行了简单的说明介绍。重点针对风力发电机组故障上的发生机理进行介绍和分析,其中详细的分析研究了齿轮箱的故障模型。并根据通过振动传感器采集到的风电机组齿轮箱振动信号的固有特点,按顺序依次采用最小二乘法消除振动样本数据的趋势项；五点三次法消除振动样本数据的尖峰使得数据更加平滑；小波分解法消除振动样本数据中的高频噪声。最后采用小波包法提取了振动信号中的频带能量,并以此作为信号的特征向量。最后通过对特征向量的分析,分别采用BP,FOA-BP和改进型FOA-BP三种智能建模算法对风电机组齿轮箱的故障状态进行识别,并构建出了3个齿轮箱故障状态模型,最后用实际数据实现了对风电机组齿轮箱故障的识别和分类,并通过对三种模型的分析对比得出结论。