本文从风力发电机组实际运行特点研究入手，对风力发电机组各关键部分进行了FMEA分析，对风力发电机组的故障特点，造成故障的原因，故障可能造成的后果，以及基本的解决策略，本文中列举的风机故障和解决策略均来自于风电场实际生产运行，以及风机厂家资料内容，基本涵盖了风力发电机组可能出现的故障现象。通过对风力发电机组各主要设备单元的FMEA分析，针对其各个系统的故障特点，对其故障和状态的检测提出了有针对性的方法。通过以上内容的研究分析成果，本文重点在如何设计一套满足风力发电机组故障诊断决策系统。通过分析研究，本文主要取得以下成果：　　(1)本文在详细分析风力发电机组的工作原理和运行特点的基础上，通过引入FMEA分析理论，对风力发电机组各主要单元系统进行了FMEA分析，对各个系统的故障现象、故障原因、故障影响后果和基本处理措施有了更为深入清晰的分类和认识。　　(2)通过对各系统FMEA分析的结果，本文针对风机各个部分系统自身的特点和故障机理，利用目前较为成熟的检测方法逐一设置检测方案，从而有效保证了故障诊断的准确性和可靠性。　　(3)本文通过风力发电机组故障特性的详细分析，以及针对风力发电机组各个单元故障制定专项检测方法，对风力发电机组故障诊断决策系统进行逐层递进的详细设计，第一步对故障诊断决策系统的功能目标设计，当完成系统的功能目标设计后，第二步引用组合式故障诊断策略以提高系统的故障诊断效果，第三步在故障诊断策略确定后，对整个系统的框架进行设计，从而完成整个故障诊断决策系统的初步设计，第四步在前三部分充分论述和研究的基础上，对系统的基本组成进行设计，从而基本确定了系统的搭建方式。本文对故障诊断决策系统的设计方式较以往故障诊断系统的开发设计更为全面，对于风力发电机组故障诊断系统的功能不仅限于机械故障诊断或是电气故障等特定故障类型进行诊断，而是针对风机整体的运行故障进行诊断分析。同时本文对故障诊断决策系统的设计是将故障诊断和故障处理决策有机结合在一起的整体系统，是系统综合风机各项检测数据和人员初期录入的故障处理数据后，通过自行运算并关联至备品备件台账和工器具台账后得出故障处理决策，将人员参与诊断的范围降至最低限度，人员只是对系统的数据积累和日常维护工作。　　(4)本文在详细分析风力发电机组齿轮箱故障特性基础上，提出基于小波包变换分析方法对风力发电机组齿轮箱故障信号实现了去噪和分解方法，较好的实现了对风力发电机组齿轮箱故障信号的处理，同时提出在小波包变换的基础上利用BP神经网络算法对风力发电机组齿轮箱故障进行诊断，通过研究以及MATLAB工具仿真表明，该方法能够本成功的提取出齿轮箱原始振动信号的故障信号特征，所以为风电机组齿轮箱的只能故障诊断提供理论支持。　　(5)本文引用D-S证据理论为目前多种方法融合决策的故障诊断方法提供更好地决策融合平台，并利用证据理论融合算法，对目前不同故障诊断方法得出不同诊断效果，进行尝试性的融合计算，利用D-S融合算法得出的诊断结论对多种诊断结果得出的故障结论进行有效支持和加强，说明D-S证据理论在融合多种诊断方法结论中具有很好的效果。　　(6)本文基于对故障诊断决策系统的设计，初步完成了风力发电机组故障诊断决策系统的软件开发和硬件搭建，并在风电场实地进行试验，并积累较多的现场试验数据，并且结合实际情况现场完成了对风力发电机组时间监测和诊断任务，初步实现了风力发电机组故障的诊断和处理决策功能。同时大量真实的试验数据为后续研究提供了详细的数据储备。