随着风力发电机装机容量的不断增加,风机的稳定高效运行变得尤为重要,这就要求能对风力发电机的运行状态进行准确的诊断和识别。风机中故障发生频率较高的传动链部件直接参与风机能量转换过程,进行传动链故障诊断有助于风场人员对风电机组进行维护,减少因故障而导致的各项损失。为了提高故障诊断的精度,从特征提取、特征选择、模型建立和系统开发4个方面进行研究,具体研究内容如下:（1）为了挖掘振动信号的深层特征,基于自适应噪声的完全集成经验模态分解（Complete EEMD with Adaptive Noise,CEEMDAN）算法将振动信号分解为一系列模态分量,振动信号及其模态分量组成新的数据集。计算了原始信号和各模态分量的时域特征,包括统计学参数和信息熵。利用快速傅里叶变换（Fast Fourier Transform,FFT）将信号转换为频域,并计算频域中的统计学参数和最大幅值所对应的频率,将上述特征进行信息融合构建候选特征集。（2）结合递归特征消除（Recursive Feature Elimination,RFE）和极端梯度提升树（e Xtreme Gradient Boosting,XGBoost）的优点,设计了一种综合特征提取方法。利用两种特征选择算法分别对特征变量进行重要性排序,融合两种算法排名前20的特征形成建模特征集,将其输入分类模型用于风机传动链故障诊断。（3）为了对传动链进行准确的故障识别,分别对传动链各部件建立故障诊断模型。分类器选用深度神经网络（Deep Neural Networks,DNN）,并使用优化算法JAYA对DNN神经网络的超参数进行优化。该模型在风力发电机轴承、齿轮箱和叶片上的准确率分别达到了100%、99.3%和98.5%,对传动链故障诊断具有一定的参考价值。（4）基于C#和python语言开发了基于时频域特征的风机传动链故障诊断系统,系统包含了用户登录、数据连接、特征选取、模型建立以及用户管理5个功能模块。用户进入系统后可根据实际需要选择数据集,提取建模特征并进行降维。设定合适的超参数,完成传动链故障诊断模型的建立,通过选择风机序号得到对应风机的故障类型。