在环境污染越来越严重的今天,各国都越来越重视包括风能在内的无污染新型能源的利用率,但风电场所处环境恶劣且机组大多安装在高空几十米处,造成风电机组出现故障时不能及时发现并高效解决问题。由于风电场的种种限制条件,往往到机组停止运行时才更换内部设备,这使得机组的维修成本变高、发电效率变低,而对风电机组进行必要的状态监测和故障诊断是降低故障率和机组停机率的有效方法。在风电机组处于工作状态时,它的内部结构中的齿轮箱或轴承会产生大量的振动数据,通过处理分析这些历史或实时数据可以为我们的故障诊断提供可靠的依据。传统的风电机组大多是采用单机数据处理模式,随着风电机组振动数据的不断增长,数据存储和数据处理速度成为风电机组故障诊断的瓶颈。单机模式难以跟上数据处理的要求,云计算自2003年提出以来,其分布式的并行运算、数据可靠性高等特点受到广泛关注。其中的高度可扩展平台Hadoop可以将数据存储和分发到数百个廉价的并行操作服务器集群,将数据部署到云平台进行快速过滤和高效分析已经成为当今信息社会数据处理的主要方式。离散傅里叶变换成功实现了设备振动频率的离散化,利用傅里叶变换可以实现信号的频谱分析、有关滤波器频率响应时间的计算以及信号通过线性系统的卷积运算等。因此,离散傅里叶变换在信号谱分析领域发挥着非常重要的作用。但是由于离散傅里叶变换在变换过程中的时间复杂度过大,不能实时满足处理需求,所以后来有人提出了快递傅里叶变换(FFT)。随后,本文研究了FFT算法的特点。结合云计算的集群特点,我们对FFT算法的每一级运算均进行了改进,将串行FFT算法在MapReduce上分为数据补齐、码位倒置、蝶形运算等的Map阶段和Reduce阶段,实现了FFT算法的并行化。以国内某风电场的风电机组齿轮箱和轴承典型故障数据为背景设计了一种云环境下的风电机组故障诊断系统,对系统进行需求分析并详细设计其中主要的四大功能模块,实现了系统可视化界面。本文最后对Hadoop平台的计算性能进行了测试和分析,通过对比单机实验测试,验证FFT并行化的正确率和并行计算性能。Hadoop平台表现出实时性高和可靠性强的特点,展示了基于MapReduce并行FFT算法相比其他解决方案表现出的优势。