现今风电利用已经成为各领域的热点。但是风电机组却常处于恶劣的工作环境，一旦发生故障，会造成巨大的损失。故此风电机组对运行状态进行了监测与分析，并对已处理的故障趋势进行预测，可以达到维护风电机组的高效性，从而降低维修成本的作用。本文提出采用云模型和数据挖掘的方法，对风电机组进行有效的故障评估和诊断。首先构建适合的评估体系，选择正确的评判指标；然后根据普通模糊综合评估的模糊性，再结合云模型的随机性，由正向云发生器求得各指标的隶属度，这种方法减少隶属函数人为确定主观性。最后通过实验计算证明基于云模型的评估方法更能准确地判断故障状态，是一种非常实用的方法。考虑到在风电机组振动故障诊断中需要提取时频域特征参数，当参数数量过多易导致决策表属性冗余，为此本文采用粗糙集约简算法。基于差别函数的属性约简算法计算的析取表达式过多，逻辑转换运算代价大，计算过程繁琐，因此，将差别矩阵转换成布尔矩阵，矩阵元素作位或计算，删除冗余元素，然后计算相对核获得最终析取表达式。实例证明该算法快速简便。鉴于决策树的快速分类的优点，将粗糙集、决策树算法结合起来建立新的决策树模型，用云模型离散样本参数，随后用改进的属性约简算法化简属性，获得最佳约简集，最后借助决策树生成的诊断规则进行故障诊断。本文开发的基于粗糙决策树的风力发电机组故障诊断系统，不仅能对风电机组各数据库进行管理，而且能对机组设备进行故障监测与诊断，实现了系统集数据库管理、监测、诊断于一体的全面管理。