对风电机组进行有效的状态监测与故障诊断,清晰掌握风电机组的运行状态,对保障风电机组的安全可靠运行,减少风电投资商的损失,优化机组检修维护计划,降低风电运行维护成本具有重要意义。我国风电行业迅猛发展,风电装机容量高速增长的同时也给维护和故障诊断工作带来了巨大的挑战,为了适应能源互联网和大数据技术的发展,风电机组故障诊断需要向智能化方向前进。为了提高故障诊断效率,需要加强故障诊断的自动化与智能化程度。目前虽然有很多关基于模式识别方法的故障诊断研究,但是很少有能真正用在风电机组的故障诊断中,其中主要的阻碍就是缺少完备的故障样本,在实际故障诊断中,很难获取不仅完备而且具有良好通用性的故障样本,因此基于样本训练的有监督学习的智能方法难以开展有效的应用。本文在这一背景下,以风电机组传动系统为研究对象,在经典的模式识别方法基础上,研究基于无监督学习的风电机组智能诊断方法,以提高风电机组故障诊断的效率和准确性。主要研究内容和得到的结论如下：(1)考虑到齿轮箱运行状况受外界环境影响,从齿轮箱上获取具有通用性的已知训练样本有一定的困难,提出利用基于无监督学习的自适应共振(Adaptive Resonance Theory,简称ART)神经网络ART-2表征齿轮箱运行状态变化过程,实现在无已知训练样本的情况下对齿轮运行状态的模式识别,进而实现早期故障诊断。研究了小波包方法并提取相对小波包能量作为样本特征值,同时结合类内最小准则原理提出一种警戒值选取方案,提高ART-2神经网络工作的自适应性。利用试验台模拟齿轮疲劳失效过程的振动数据对提出的方法进行了验证,分析结果表明该方法可以反映出齿轮在发生断齿故障前从正常状态到出现疲劳损伤这一过程的变化情况；同时将本章提出的故障诊断方法应用于实际风电机组发电机驱动端轴承的运行状态模式识别,验证了方法的可行性。(2)ART-2神经网络在激活神经元时只选择输出最大的神经元来激活,这种激活方式属于“硬竞争”的选择,由于在后续的相似度计算过程中只有激活神经元参与,所以这种“硬竞争”的选择方式并没有考虑其他的神经元,使得计算结果唯一,然而输出值低于最大值的神经元也可能满足警戒值的测试,如果样本的模式特征相近,则会出现这种情况,而且这种“硬竞争”选择方式会导致最终分类结果出现错误。基于上述分析,将C-均值聚类算法引入到ART-2神经网络算法中,对ART-2神经网络原有的“硬竞争”分类结果进行修正,提高分类准确度。通过对仿真数据和实际风电机组齿轮箱故障数据的分析,表明提出的方法能够有效地将不同类的数据区分开。然后结合本文提出的方法给出了一种设备群故障诊断方案,通过将待诊断机组的监测数据与正常机组的监测数据相结合,利用本章提出的分类方法进行分类,根据正常机组样本与未知状态的机组样本的分类情况判断未知机组的运行状态,通过实例分析表明提出的方法可以快速地从设备群中快速筛选出问题机组。(3)为了诊断风电齿轮箱的已知和未知类别故障,研究基于模糊核聚类的风电齿轮箱故障诊断方法,首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类；然后利用优化算法求解聚类模型,获得最优分类结果下每个类的类心；最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结合实际风电齿轮箱故障样本数据对提出的方法进行了验证,并与传统BP神经网络和KFCM分类方法进行了比较。结果表明,本文提出的方法不仅能够准确地识别诊断出已知类别的故障样本,而且能有效地识别判断出未知类别的故障样本。并且探讨分析了两种优化算法——万有引力搜索算法和粒子群算法对提出的故障诊断策略的影响,分析结果表明,两种优化算法都能够获得准确的诊断结果,但是粒子群算法比万有引力算法计算简便,耗时短,应用在实际故障诊断系统中会提高系统的运行速度和诊断效率。