Como modelo de clasificación, un sistema de aprendizaje amplio se utiliza ampliamente en el diagnóstico de fallos de turbinas eólicas. Sin embargo, la configuración de los hiperparámetros para los modelos afecta directamente la precisión de clasificación de los modelos y generalmente depende de la experiencia práctica y el conocimiento previo. Para resolver eficazmente el problema, se optimizaron los parámetros del sistema de aprendizaje amplio, como el número de nodos de características, el número de nodos de mejora y el número de capas de características mapeadas, mediante el algoritmo de optimización de pelícanos mejorado, y se construyó un modelo de clasificación basado en el sistema de aprendizaje amplio optimizado por el algoritmo de optimización de pelícanos mejorado. La precisión de clasificación del modelo propuesto fue la más alta y alcanzó el 98.75%. Se demuestra además que, en comparación con la máquina de soporte vectorial, las redes de creencias profundas y los modelos de sistema de aprendizaje amplio optimizados por el algoritmo de optimización de enjambre de partículas, el modelo propuesto mejora eficazmente la precisión del diagnóstico de fallos de turbinas eólicas.