近年来化石燃料的急剧消耗,使得环境污染日益严重,而风能作为一种新兴且储量丰富的清洁能源,受到各国政府和企业的重视,但是风电机的运行环境一般都比较恶劣,致使其容易发生故障,且一旦发生故障维修也比较困难,从而给运营商造成巨大的经济损失,这是制约风能发展利用的主要原因,运用在线监测系统结合故障智能诊断提前把握风机的运行状况及运行趋势,能够有效准确的判断故障类别,适时进行维修保养,提高工作效率,减少企业的运维成本。因此对风力发电机的在线监测系统与故障智能诊断技术进行研究具有重要意义,本文基于振动信号对风电机在线监测系统与故障智能诊断进行研究,研究内容如下:以CAN总线技术为桥梁结合嵌入式技术和虚拟仪器技术,提出基于CAN和Lab VIEW的风机在线监测系统,实现了系统上位机与下位机软硬件设计。下位机硬件以STM32F103VET6单片机为核心,包括传感器、信号调理模块、ADC模块、CAN模块和USB-CAN适配器。上位机监测软件运用Lab VIEW语言编写,该监测系统首先对其接收到的CAN数据包进行解包分析和数据提取,然后对其时域和频域分析等,进而得出风机的运行状况。实验测试表明,以CAN总线技术、嵌入式技术及虚拟仪器技术三者相结合的监测系统能够实时、准确的显示风机运行工况。由于风电机组振动信号的非平稳非线性特征,故提出一种基于极点对称模态分解（ESMD）和支持向量机（SVM）的风电机组故障智能诊断方法。首先以仿真信号及电机轴承故障振动信号为例论证,与经验模态分解（EMD）方法相比ESMD方法不仅能够减少无用的模态分量（IMF）,还能够有效的提高信号分解精度及抑制在EMD分解过程中产生的模态混叠现象。然后以四种不同故障类别的电机轴承振动信号为分析对象,说明ESMD-SVM方法的可行性,运用ESMD算法对振动信号分解,对不同故障类别的电机轴承振动信号包含的主要故障特征的IMF分量进行能量提取并做归一化处理,而SVM在解决小样本、非线性模式识别中具有优势,为此构建能量特征向量并基于SVM分类器识别故障类别,并与基于EMD-SVM方法比较。实验结果表明,基于ESMD-SVM方法对电机轴承故障类别识别准确率更高,该方法可为风电机组故障智能诊断提供新思路。