近年来,风能已经成为世界上发展最快的可再生能源之一。我国对风电能源发展相当重视,根据政府计划,到2020年我国风电机组装机容量将达到30GW。风电机组的维护维修工作是风电技术发展的一个重要挑战。风电齿轮箱作为风电机组中的关键部位,在恶劣条件下其故障发生率达到了40%~50%。如果在故障发生前对齿轮箱状态进行及时准确的评估,就能提前发现潜在故障可能,从而及时安排合理的维护策略,预警齿轮箱非正常退化情况的发生。准确快速的故障诊断能够有效提高风电齿轮箱维修的效率,减少风电机组停机时间,降低经济和人工成本。本文对风电齿轮箱的状态评估和故障诊断问题进行了深入研究。针对风电齿轮箱运行状态的评估问题,本文提出一种基于灰云模型和云重心理论的评估方法。本文建立了风电齿轮箱评估体系,对其中各指标建立灰云模型进行聚类分析,在此基础上利用云重心理论评估,进一步提高了评估的准确性。经案例分析,本文提出的评估方法能够解决传统评估方法中信息不完全性和决策者主观影响不足等问题。针对风电齿轮箱中齿面点蚀、轮齿磨损、断齿等齿轮故障的诊断问题,本文提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。EEMD分解和小波阈值去噪结合的预处理方法能够抑制原始振动信号中的噪声干扰。布谷鸟算法优化的BP神经网络能够准确快速地对预处理后的信号进行故障诊断。经仿真分析,本文提出的诊断方法具有良好的精确性和及时性。结合状态评估和故障诊断方法,本文开发了风电齿轮箱评估诊断系统。该系统具有存储状态数据、查找历史状态信息和提供维护维修策略等功能,是对本文状态评估和故障诊断方法的有效整合。