随着21世纪工业化进程,风力发电占比慢慢增多。风机装机容量增大,风机数量增多,风机机组的维护保养和状态监测的要求变得更加严格。风机如果发生故障造成其停机甚至摧毁。为了防止危险事件发生,需要风机状态监测。本文通过总结,针对风机旋转过程中易损部件轴承和齿轮箱智能故障分类方法进行深入研究。主要研究内容有如下几点:(1)本文介绍了风机齿轮箱和轴承结构,分析了风机故障诊断国内外研究状况,总结了许多常发生的故障类型以及大型风机齿轮箱故障模型和优缺点;(2)提出一种EMD-BPDN模型改进了EMD降噪方法,选取合适的IMF分量并借用压缩感知及其重构算法重构出降噪信号,证明其降噪效果优于其他模型;也提出一种压缩后的新型时频压感特征,结合时、频特征用于故障识别,为智能模型的诊断奠定了基础;(3)针对易损部件轴承,提出一种改进集成支持向量机的PSO-AdaboostSVM轴承故障诊断模型,利用改进粒子群算法调整核函数参数,提高了分类性能;针对易损部件齿轮箱齿轮,提出一种改进决策树的GA Random Forest齿轮诊断模型,通过改进遗传算法优化随机森林的树的大小和特征属性的数目,主成分分析约简特征量,决策树集成成随机森林提高了决策准确性,将实验数据应用在不同模型对比,轴承和齿轮的故障识别率分别98%和94%均优于其他模型,同时也验证了模型在真实风机数据的有效性;(4)设计并搭建出风机齿轮箱实验数据采集平台验证模型,给出了大型风电场状态监测系统的设计方案。