在石油、煤炭等资源短缺而引发的“能源危机、生态危机”背景下,风能作为可再生的环境友好型能源,受到当今社会普遍的关注。随着风机装机容量的逐年增长,相应确保风机持续高效运行的故障检测、维修等维护服务的重要性逐年凸显。由于风机安装在很高的塔架上,一旦风机传动系统发生故障,其维修成本将很高。本文对风机传动系统滚动轴承和齿轮箱齿轮的故障检测方法展开了研究,主要工作包括以下几个方面:(1)针对风力发电机组滚动轴承出现损伤类故障时,传统的去噪方法只考虑到白噪声的干扰,却忽略了冲击脉冲的影响,提出了形态滤波-改进的小波去噪方法。首先利用形态滤波对干扰脉冲有一定的抑制作用,用来去除滚动故障振动信号的脉冲干扰,又由于传统阈值函数存在缺陷,提出了改进的小波去噪方法用来去除白噪声,然后将去噪后的信号进行经验模态分解,最后以分解后的本征模态函数的包络谱特征频率作为故障特征量,与实际故障特征频率比较,得出结论。(2)针对风力发电机组滚动轴承局部存在损伤或缺陷时,其振动信号多表现为非平稳、非线性、调制等特征,提取出的特征参数不能很好地进行故障检测,提出了基于多特征参数的概率神经网络模型。首先利用经验模态分解法自适应分解形成的本征模态函数,进行多特征参数提取,接着利用概率神经网络故障识别,最后将概率神经网络模型用于风力发电机滚动轴承故障检测,以期提高滚动轴承故障检测正确率。(3)针对风力发电机组齿轮故障分类精度不高的问题,提出了一种改进蛙跳算法优化的支持向量机的检测方法。由于支持向量机中的惩罚因子和核函数参数选择对分类准确率有着很大的影响,因此利用改进的蛙跳算法对支持向量机参数进行优化,用优化好的参数进行机器训练,然后将训练好的模型应用于故障检测,利用UCI数据库的三组数据进行性能评估,最后将改进蛙跳算法优化的支持向量机模型应用到风力发电机组齿轮故障检测中。