风力发电近年来发展迅猛,已成为最具前途的可再生能源,由于风电机组多运行在恶劣的工况下,变速变载荷,机组的可靠性逐渐成为目前研究的热点。本文主要针对风电机组传动部分的机械故障,综合运用信号处理和机器学习等方面的最新技术,分析故障信号,提取故障特征,并进行智能故障诊断,以期提高风电机组运行的可靠性和可利用率。　　 本文首先介绍了风电机组的基本结构,分析了传动系统常见的故障,阐明了主轴、齿轮箱及发电机故障产生的原因和机理,分析了齿轮及轴承的故障特征频率。继而介绍了EMD(经验模态分解)的基本原理,通过仿真实例验证了EMD在非平稳信号处理中的优势,进而介绍了小波阈值收缩法,通过轴承的故障分析实例验证了EMD结合小波阈值收缩去噪对故障特征提取的有效性,总结了用该方法进行故障特征提取的步骤,为后续的智能故障诊断做了必要的准备。接下来概括了LS-SVM(最小二乘支持向量机)和PSO(粒子群优化算法)的理论和特点,针对风电机组多故障类型的诊断问题建立了多层LS-SVM诊断模型,并使用改进的PSO算法对模型参数分层进行优化。　　 最后,设计了风电机组传动系统故障模拟实验,通过实测数据验证了基于EMD的故障特征提取方法和基于IPSO优化的LS-SVM智能诊断模型的有效性,结果表明,EMD能够有效提取风电机组传动系统的故障特征,基于IPSO算法分层优化采用径向基核函数的LS-SVM分类器具有分类速度快,准确率高等优点,故障诊断准确率高于常用的SVM,ANN等分类器。