随着风电机组单机容量的增大和风力发电技术的不断提高,使得风电机组的复杂性不断增加,且风电机组通常工作在恶劣的自然环境中。所以风电机组容易发生各种故障,给风电场造成额外的经济损失。因此对风电机组进行故障分析及诊断是很重要的,可以最大程度地提高生产效率、消除安全隐患,避免危险情况的发生。在此背景下,针对常规的故障诊断方法没有充分挖掘风电机组运行数据的时空分布特性的问题以及无法对风电机组所有的故障同时进行诊断的问题。提出了一种基于图像纹理分析技术的智能故障诊断方法。即将风电机组运行产生的时域信号采样为二维的灰度图像。然后对图像模式识别,从而诊断出相应故障。由于风剪切效应以及叶片的不平衡载荷等因素的影响,通常在得到的风电机组塔架振动加速度信号中含有大量的测量噪声。为此利用光纤光栅振动加速度传感器测量塔顶、塔中和塔底的振动加速度信号,得到了全面的塔架振动信息,并进行了温度补偿。为了减小叶片不平衡载荷以及风剪切效应所产生的测量噪声,设计了经验模态软阈值分解的方法对测量的塔架振动加速度信号进行降噪处理,有效降低了测量噪声的影响。然后将处理过的振动加速度信号引入到所设计的故障诊断方法中,提高了特征提取的有效性以及故障的诊断效果。本文中使用了三种纹理特征:统计特征、小波特征和Gabor特征,设计了四种分类算法:K近邻分类模型（KNN）、线性判别分析分类模型（LDA）、决策树分类模型（ID3）和集成分类树模型（Bagging）。通过10折分层交叉验证的方法来选择相关特征以及训练分类算法,通过分析不同分类算法的精准度来选择最佳分类算法,分析最佳分类算法的精准度和特征数之间的关系来进行最佳特征数的选择,然后合并相同类型的故障来进一步提高分类算法的诊断效果。最后在风电机组多种故障工况发生的情况下,设计仿真实验,证明了所提方法的正确性、合理性。上述方法虽然能做到故障诊断的全面性。但是难以解决风电机组执行器故障的快速诊断以及实际应用中气动转矩无法准确获取等问题。为此,提出了一种自适应非奇异终端滑模观测器。所设计的非奇异终端滑模面能有效地减小常规滑模观测器的抖振,避免抖振引起的误判和漏判问题,有效提高了系统故障诊断的性能。在观测器的设计中引入自适应律,确保滑模运动不受系统未知扰动的影响。通过引入故障指示参数,将桨距执行机构的液压压降模型转化为加性故障。然后,利用两个级联滑模观测器对桨距系统进行观测,给出了有限时间内系统状态的估计和故障重构。最后,仿真结果验证该方法能达到对故障快速诊断的效果,证明所提方法的正确性、可行性。