针对风电机组故障诊断与智能维护的难点和关键科学问题，分析了风电机组典型故障非线性动力学机理，进行了基于无线声发射传感器网络的风机叶片健康监测技 术、基于混合时频分析的风电机组传动系统故障特征提取方法、基于流形学习的风电机组传动系统智能故障诊断与维护决策研究，构建了基于多Agent的风电机 组智能维护平台。　　提出了基于无线声发射传感器网络的风机叶片健康监测方法；提出了基于阈值ASTFT消除WVD交叉项的、基于对角切片高阶谱的、基于形态奇异值分解和HHT的风电机组传动系统故障特征提取方法；提出了基于流形学习特征约简的风电机组传动系统智能故障诊断方法，并据此构建了时频域特征集-流形学习-K-近邻分类器(KNNC)诊断模型；提出了多传感器信息融合的风电机组传动系统智能维护决策方法，采用D-S证据理论进行全局融合决策；构建了基于多Agent的风电机组智能维护平台，包括风电机组传动系统智能维护低级代理平台，和由传动系统振动信息、叶片声发射数据、SCADA获取的机组数据等多源异构维护信息构成的风电机组智能维护高级代理平台。实现了基于多Agent的知识表达方法，构建了4种典型机械类故障集（不平衡、齿轮损伤、轴承磨损、叶片损伤）；研制出风电机组故障诊断及智能维护样机，已在风场现场测试验证运行1000小时以上。这一研究成果可以为风电机组的稳定运行提供一套完整的、系统性的故障诊断与智能维护技术的理论和方法，也可以丰富和完善机械故障诊断的理论和技术。