由于能源紧张和环境污染问题的加重,近几十年来风能的利用受到了全世界的广泛关注,国内外建设了大量的风电场,风力发电装机容量和发电量快速增加。随着风电行业的迅速发展,因为位置偏僻、工作环境恶劣、风电场的运行维护效率低,风电机组传动系统一旦出现故障,造成的停机时间长,降低了发电量和经济效益。所以需要研究传动系统的故障预测与诊断方法。目前的故障预测多针对单一部件,不能综合考察某个系统或者整机,本文将传动系统看做一个整体,在分析传动系统故障机理的基础上,选取传动系统四个关键位置的温度监测量作为反映故障的指标。以风电机组的风速、环境温度、有功功率和4个相关的上一时刻温度监测量为输入,4个相关的温度为输出建立最小二乘支持向量机回归模型,并与非线性状态估计回归模型比较拟合效果。模型的预测值与实际测量值的偏差向量定义为系统“偏离值”。采用高斯混合模型拟合正常运行时的偏离值分布,利用建立的高斯混合模型实时计算系统的对数似然概率,实现系统的故障程度量化,并与阈值比较发现潜在故障。结合实际的风电机组运行数据,与其他方法比较说明了本文的故障预测方法有较好的灵敏性和准确度。滚动轴承是传动系统的重要部件,而且容易发生故障,本文利用实验室中的模拟故障轴承的振动信号进行轴承故障位置识别研究,共有内圈、滚珠、外圈中心等5种故障位置。首先根据原始振动时域信号提取了均方根值、偏度、峭度、奇异谱熵、功率谱熵、小波包能量熵作为故障识别的特征值,但是单个特征值对5种故障位置的直接识别效果不好,将56个振动样本的特征值和分类标签输入粒子群优化的最小二乘支持向量机故障识别模型中训练、验证,并与粒子群优化的标准支持向量机进行比较,实验结果表明最小二乘支持向量机算法的故障识别正确率更高,运算速度更快,耗时少。