据统计,风电机组中齿轮箱的故障约占总体的4%,但其造成的停机时间最长,由此造成的运维成本以及暂时停用造成的发电损失最大,严重影响发电效率和风电的经济效益。因此,针对风力发电机齿轮箱的故障诊断方法进行研究十分的重要。当齿轮发生故障时,其振动信号往往表现为非平稳性。本文为了能够有效的对齿轮的故障进行识别在故障特征提取方面采取了使用优化后的变分模态分解和多特征进行融合的方法,在模式识别方面采用了鲸鱼优化算法和多核支持向量机相结合的方法。本文的主要研究内容如下:首先通过EMD方法和VDM方法相比较证明了VMD方法的有效性,证明了VMD方法可以在一定程度上避免EMD中所存在的模态混叠的问题。并为了更好使用VMD方法使用了奇异值差分谱理论对VMD的各分量进行重构降噪。通过对比重构后的VMD各分量和原始各分量可以看出在频域中的降噪后的各分量频域特征更为的突出,干扰频率更少。其次详细的介绍了鲸鱼优化算法和支持向量机算法的理论。在使用支持向量机的过程中为了能够解决相关参数难以选取的问题引入了鲸鱼优化算法对支持向量机的各参数进行优化。并使用UCI的部分数据集做分类实验。最后的结果表明鲸鱼优化算法后的支持向量机具有更好的分类准确率。最后将实验室采集的齿轮振动信号进行分析,计算并选用最优的特征值组合方式构建特征向量,输入优化后的支持向量机中进行模式训练与分类识别。并且对实际的风机齿轮的数据进行分析,最终的结果表明了该方法的有效性。