随着人们对环境的日益重视和传统能源的紧缺,近年来新能源的发展越来越迅速。风能作为新能源之一,在我国的电力供给中十分重要。风力电厂一般位于环境条件较为恶劣的地区,再加上设备本身的特点运行及维护成本很高,为此需要有合适的故障检测方法来提早发现故障,以降低运维成本。目前,风力发电机组普遍配备监控和数据采集(Supervisory Control and Data Acquisition,SCADA)系统。通过应用机器学习方法,可以将为SCADA系统采集的大量数据用于状态监测和故障检测。本文首先介绍了风机基本组成和SCADA系统,并说明了一些风电机组的常见故障。然后介绍了机器学习技术在风电机组故障诊断中的应用,包括数据的预处理,特征提取,常用建模方法,模型的验证。之后对本文使用的完整故障预测流程进行了说明,并结合实验说明各个步骤的意义及效果,最后对风机的多个组件进行了测试,并应用于整个风场的到相关的统计数据。本文的主要创新点如下:建模上提出基于随机森林特征选择的深度神经网络(RF-DNN)。用随机森林算法挑选出合适的特征后进行模型训练,模型通过对比深度神经网络和支持向量机验证深度神经网络有效性。输入输出的数据虽然为五分钟平均的数据点,也可以看做信号,故在此机器学习流程上,引入信号处理方法对算法进行优化。输入方面利用小波分解信号进行降噪处理,输出方面利用自适应滤波器降低误报警率。应用这些方法,可以得到更精确的输出,大大降低误报警率。通过对实际的SCADA数据,对风电机组的多个部件进行了实验,验证了该方法的有效性,并应用于整个风场。