本课题是以信号分析和处理技术，数据挖掘技术和数据库技术为理论基础，对复杂风力发电机组的故障诊断方法及其应用进行了深入的研究。该研究能保证风力发电机组安全、高效地运行，提高了生产效率和管理水平，在恢复故障部件并挽回故障造成的经济损失，提高社会的经济效益等方面有着现实的意义。随着风力发电机组结构的复杂化，故障类型众多，故采集的各项数据必须保存在数据库中。保存的机组监测数据越来越多，而这激增的数据背后又隐藏着重要的信息，利用积累的这些海量数据可以对机组的运行状态、生命周期、故障等情况进行预测和诊断。本课题首先介绍了风力发电机组故障诊断的国内外现状；接着详细介绍了风力发电机组的组成、工作原理，以及各个部件的典型故障；并着重对风力发电机组典型的转子系统的故障进行了故障机理分析，以及对转子系统故障信号进行了信号处理，并提取了各个故障类型的故障信号特征；根据这些故障数据特征，设计了故障数据库，其中包括故障信息库、故障案例库、故障规则库，而故障规则库的建立则是在故障信息库和故障案例库的基础上，利用数据挖掘中的决策树方法和关联规则方法提取规则，并保存于故障数据库中。通过对规则的提取，利用测试集进行验证规则的准确度，利用规则的准确度评估故障数据库的性能，从而保证了数据挖掘技术在风力发电机组中的应用。本系统是在Windows Server 2003平台下，运用SQL Server 2005数据管理系统，采用MATLAB中的决策树工具箱中的决策树模型和SQL Server 2005集成的数据挖掘工具中的关联规则模型，顺利地提取了决策树规则和关联规则，并把这些规则保存于故障规则库中，利用数据库中的查询功能实现对故障类型的匹配，从而找到故障类型、故障原因以及维修建议，实现了对风力发电机组故障诊断的目的。为减少生产检测成本、提高风力发电机组生产的稳定性起到了积极作用，为我国经济又快又好的发展提供了保障。