随着风力发电机组安装数量的持续增长，后期的监控与维护变得尤为突出。而风力发电机组主传动链中的滚动轴承与行星齿轮箱是故障的主要来源，对发电机设备能否正常运行起着关键性的作用。　　本文以NGW行星齿轮箱和307滚动轴承作为主要实验对象，利用定子电流法(MCSA)和经验模态分解法(EMD)提取设备运行中出现的故障特征，结合神经网络技术对不同的机械故障类型进行分类。当机械部件存在故障时扭矩变化会导致发电机定子间的磁通量变动，产生的定子电流信号通过钳型电流互感器进行采集，并用EMD方法分解成有限个IMF分量，克服电流信号中存在的不稳定、非线性成份。在MATLAB下建立发电机组仿真模型，实现理论仿真模型对故障类型的模拟，搭建风力发电机组模拟试验台，验证仿真模型的可行性，由于风力发电环境的复杂性，通过修改供电变频器的频率来模拟风速，获取不同环境下的定子电流信号，并对相关数据进行 EMD方法分析。基于频率完整性原则选取有效分量的瞬时频率进行 FFT分析，确定各类机械设备是否处于故障状态。对采集的电流信号进行对比分析，确定不同故障类型的特征频率，选取六组有效IMF分量的峭度值作为神经网络的特征量，把特征数据量输入到神经网络，通过对神经网络的训练、优化组合以及数据对比，更好的实现对风力发电机组故障类型的分类。　　通过仿真与实验可以有效论证，当行星齿轮箱与滚动轴承中存在故障时，利用定子电流法能够采集有效的故障信号，而瞬时频率的FFT变换方法可以分析出EMD有效分量中的故障频率，以IMF分量的峭度值为特征量训练优化的神经网络能够很好的对故障信号进行分类。