风力发电机组是风电场的关键设备，一般分布面积广，数量多，工作环境恶劣，而且远离中央监控中心，一旦发生故障，所造成的损失和后果不可估量。据统计，风力发电机组的故障主要集中在齿轮箱、发电机和叶片等部件，其中齿轮箱是机组中故障发生率最高的，且其故障发生率还在逐年递增。所以为了保证风电场的安全稳定运行，对风力发电机组齿轮箱进行有效的状态监测与故障诊断研究是很有必要的。目前，国内外已有很多关于风力发电机组监控系统及其各个环节的设计和改进的研究。而且已有一些通用状态监测系统应用到风力发电领域，但现有的监测系统大部分分析和诊断功能比较薄弱，通过对采集点进行阈值设定，采集数据的趋势分析，仅能看到其在一段时间内的总体水平，当某些数值超出报警限值时，也仅能做出一个初步的故障诊断。由于风机在日常运行监测过程中会产生海量的数据，这些数据中蕴涵大量潜在的规则，给数据挖掘提供了必要条件。基于数据挖掘粗糙集理论的属性约简能力和决策树C4.5算法的快速分类能力，本文建立了一种改进的粗糙决策树模型，并结合SQL Server2005及VB采用模块化设计的思路，联合开发了风力发电机组齿轮箱故障诊断系统。通过对比分析，结果表明该改进的算法不仅能有效地减少特征数据获取的工作量和建树时间，而且能快速准确地实现故障识别，具有比直接利用决策树C4.5算法更强的工程实用性。本文开发的基于粗糙决策树的风力发电机组齿轮箱故障诊断系统，不仅能对风机各数据库进行管理，而且能快速的对齿轮箱进行故障监测与诊断，实现了系统集数据库管理、监测、诊断于一体的立体式的全面管理。