风力涡轮机几乎不间断地运行，它们的运行经常受到恶劣的环境，以及复杂的动态负荷。傅里叶分析，一个标准的诊断技术，提出了一些限制使用非平稳，非周期，噪声数据，这正是情况与风力涡轮机的数据。由于这些限制，看不见的故障可能发展，并导致严重的，甚至是灾难性的，风力涡轮机故障。提出了用信息理论量化指标(熵、散度、统计复杂性测度)来评价风力机部件的健康状态。在本工作中，通过对信号进行时域、频域和时频域的分解，即通过频带和Pompe、功率谱和小波包分解来实现。用该方法表征了两组不同的实际运行风力发电机组数据。结果表明，该方法能较好地区分故障状态，但也存在一定的局限性，主要与运行风力机信号的复杂性有关。在此基础上，本文提出了一种与傅里叶分析相补充的新方法，用于风力机数据处理，以提高在如此复杂环境下的故障检测能力。
