随着石油、煤炭等矿物资源日趋枯竭,全球范围内生态环境日益恶化,人们已经清醒地认识到风能这一可再生能源的重要性,风电行业受到广泛的重视。由于风能的不确定性和风电机组本身的影响,风电机组的维护成本较高,这里主要的维护来自于风电机组传动系统关键机械部件,齿轮箱齿轮和轴承容易出现损坏。所以把风电机组齿轮箱齿轮和轴承等关键部件为研究对象,开展相关的故障诊断方法研究。首先,研究了风电机组齿轮箱齿轮和轴承等关键部件的振动机理。对主流风电机组的常见类型和各类型主要的传动系统部件进行了分析,再对齿轮箱齿轮和轴承等关键部件典型故障和故障特征进行研究。并对常用的信号处理方法时域、频域和时频域进行了分析论述,为后续工作提供理论依据。其次,研究了风电机组齿轮箱齿轮和轴承等关键部件的故障特征选取和提取法。针对风电机组传动系统关键部件发生故障时,振动的信号体现为非高斯、非平稳、非线性,信号特征参数不易选取问题,提出基于本征模态函数(IMF)-核函数主元(KPC)分析法选取法。先对信号进行软阈值Sym8小波降噪,再对信号进行经验模态(EMD)分解计算构建本征模态函数(IMF)特征参数阵。针对非线性状态特征的高维性,通过核函数主元分析法进行降维的方式,构建特征矢量阵。再次,提出并研究了一种改进的k最近邻分类器(IkNN)的故障识别方法。针对传统K最近邻分类器K值难以确定、处理大样本数据很困难;以及现有k最近邻分类器在选择邻居时采用欧式距离,欧式距离对每个特征参量都是同等对待,使得特征矢量直接的相似度计算不够准确,不能有效反映主要特征参量和分类精度有待提高的问题,提出了改进的k最近邻分类器(IkNN)的故障诊断方法,通过构建诊断分类模型,实现对风电机组关键机械部件故障诊断。最后,设计故障诊断实验方案并验证故障诊断分类模型的有效性。利用风电机组传动系统故障模拟实验平台,完成了对齿轮箱齿轮和轴承等关键机械部件故障实验。采集了齿轮和轴承共计8类故障数据(包括正常工作),通过对信号进行降噪处理,验证软阈值Sym8小波的有效性。并用本征模态函数-核函数主元分析法提取故障特征,将Ik NN和SVM、ELM、kNN、FuzzykNN在分类精度方面进行对比取得较好效果,验证诊断分类模型的有效性。