随着科技与工业的迅猛发展与快速进步，电力系统无疑成为了科技的命脉。然而由于很多电力系统内的机械设备都具有复杂的结构而且工作在比较恶劣的环境下，若设备发生未知故障，如何及时地发现并定位故障就成为了一个很大的难题。本课题对工厂中电力风机的故障特征进行详细的分析与研究，设计了一套电力风机健康监测系统与机械设备故障诊断算法。
　　电力风机健康监测上位机具有数据接收、数据分析、数据显示、数据存储、频谱显示等功能。本课题在应用层重新设计了数据传输协议，避免了TCP/IP中经常遇到的数据“沾包”问题；同时本课题在设计上位机的过程中还使用了多线程的设计模式，对于每个数据包都可以开辟独立的线程完成对数据的分析与存储。
　　在获取准确的电力风机数据后，本项目设计的机械设备故障诊断算法会对数据进行学习训练。本课题中故障诊断算法着重分析了故障诊断任务中的难题，并且对传统的几种机器学习算法模型都进行原理上的改进：首先设计基于布谷鸟算法的最小二乘支持向量机故障诊断算法；然后引入K-D树辅助支持向量机作为次分类器进行预测；最后加入P-FCM算法为故障诊断任务提供先验条件，将二分类任务化为多分类任务，减少每个分类器需要考虑故障信号的复杂性。除此之外，本课题还对所设计的故障诊断算法进行了加速优化。
　　经过实验测试，本课题所设计的上位机软件可以稳定准确且快速地处理数据，完成所设计的任务。在使用采集与齐齐哈尔华能电厂的风机数据对故障诊断算法进行训练与测试后，故障诊断算法对于验证集的准确度可以达到95.18%，符合设计的要求。