风能作为一种蕴藏量丰富的自然资源,因其使用便捷、可再生、成本低、无污染等特点,在世界范围内得到了较为广泛的使用和迅速发展,发展潜力巨大。我国的风力发电技术起步较晚,但发展迅速。以前风力发电机组全部靠进口,在90年代后,引进国外先进的风力发电机组的总体设计和制造技术,并在消化、吸收的基础上优化、创新。近几年对风电机组主要部件的故障统计中,由齿轮箱、发电机、叶片引起的故障是风电机组故障的主要原因,其中齿轮箱的故障发生率在逐年增高,故障百分比已超过60%,是机组中故障发生率最高的部件。齿轮箱的状态监测与故障诊断已迫在眉睫。风电齿轮箱早期故障形式有磨损,齿面胶合,齿面接触疲劳和断齿。常用的故障诊断方法有时域法,频域法,包络分析,阶比分析,倒谱,三维图和全息谱。这些方法在风电齿轮箱早期故障识别研究中有各自的优点,但是都不能去全面的去判断是否是故障信号。本文则探讨了使用EMD和SVM相结合的方法对信号进行特征提取,并用实验验证了该方法的可行性。分别在10Hz、15Hz、20Hz以及25Hz的条件下进行实验,首先采集齿轮在正常状态、轻度磨损状态及稍重磨损状态下运行时的数据,接着基于MATLAB平台计算其EMD特征单分量的均方根值,最后运用支持向量机这一智能识别方法进行分类和识别。从实验结果来看,分类的正确率是很高的,从而验证了该方法的正确性,为齿轮箱的故障诊断提供了一个崭新的思路。为了能与实际工程相结合,本文以LabVIEW这一图形化编程语言为开发平台,运用EMD和SVM相结合的方法开发出了一套故障诊断与识别系统来对设备的故障进行识别和分类,从而把诊断理论与实际相结合起来。