近年来，风力发电机组运行中事故愈发频繁，严重的影响了风电企业的生产效益和风电行业的健康发展。国内市场尚缺乏成熟的大型风力发电机组故障诊断系统，开发一套成熟、稳定的风力发电机组故障诊断系统，是一个亟需解决的问题。风力发电机组属于旋转类机械设备，出现故障时首先表现为机组振动加剧，信号呈现一定的特征，而振动信号易于现场采集。因此，以振动信号为主体的故障诊断方法是风力发电机组故障振动中最有效、最直接的方法。本课题设计并开发了一套基于虚拟仪器的故障诊断系统，设计了系统的硬件结构，结合对风力发电机组结构及故障原因分析并参考国内外的相关标准，确定了振动测点布局。选用Labview开发平台，开发了故障诊断系统的配套软件，实现数据采集和信号的记录、显示、诊断分析。设计了无限冲击响应滤波器、小波阈值降噪方法对信号进行滤波和去噪处理，时域内采用时域统计、概率分布、自相关分析方法，频域内采用传统的功率谱和倒频谱方法，在时频域内对振动进行小波包分解重构，对分解后各个频带的能量进行监测，通过多种信号分析方法得到故障信号的特征。把人工神经网络方法应用于风力发电机组故障诊断，建立风力发电机组的故障识别模型，实现风力发电机组故障模式识别。研制出了风力发电机组故障诊断样机，在旋转机械故障模拟实验平台上进行数据采集对比实验和模拟故障诊断实验，实验结果表明该系统能够实时准确的采集数据，准确的诊断出转子不平衡等典型的故障类型，能够诊断出故障发生的部位、严重程度等具体信息。选取了某型号的风力发电机组的振动测试数据，利用软件进行振动信号的处理分析，准确的诊断出风力发电机组的转子不对中故障。选取了大型烧结风机的振动测试数据，通过软件处理并分析得到了转子不对中的故障诊断结论，构建了烧结风机转子不对中故障识别的BP神经网络，对故障模式进行识别，均取得了良好的效果。