随着风力发电机组大规模投入运行,故障诊断问题得到了各方面的重视。轴承是风力发电机组的重要组成部分,其会直接影响到整台机器的性能。本文以轴承为研究对象,以中能电力科技开发有限公司对风机振动信号的在线监测与故障诊断为背景,对风力发电机组故障诊断进行研究。首先,信号的来源及处理。本文中所用到的风机的振动信号均来自中能电力科技开发有限公司。由于现场噪声信号大,为保证信号的可用性,本文中选用小波滤波法对信号进行滤波处理。然后,对滤波后的信号进行特征提取。本文中选用了14个时频域特征、小波包能量法及内禀模态能量法三种方法对信号进行特征提取。接着选用支持向量机(Support Vector Machine,SVM)进行故障诊断。为了解决支持向量机的高维问题,引入了核函数,并通过实例仿真分析表明了径向基核函数要比其他核函数更具有优越性。影响支持向量机性能的参数主要有惩罚因子C和核函数?,为了使SVM诊断性能更好,本文对基于PSO算法优化SVM参数的方法进行了研究,且对粒子群算法进行了改进,并将基于模拟退火的粒子群优化算法(SAPSO)用于对支持向量机参数的优化。最后,本文采用Labview调用M文件生成的COM组件混合编程的方式,以Labview为平台建立了基于改进粒子群算法优化支持向量机参数的故障诊断模型(SAPSO-SVM),对不同状态的轴承进行分类。从正确率和诊断时间两方面分析可以看出基于内禀模态能量的方法,更能有效的提取故障特征。并将SAPSO-SVM与PSO-SVM这两个故障诊断模型的诊断结果作对比,验证了SAPSO-SVM故障诊断模型的准确率更高。