风力涡轮机系统的故障增加了系统的成本和停机时间。在故障发生之前检测出故障可以进行计划维护,并且我们可以在该故障引起其他部件故障之前进行更换。借助早期故障警告,可以减少系统的维护成本和停机时间。轴承是旋转机械的关键部件,因为它与风力发电机相连,使得基于信号的轴承故障诊断一直是研究的热点。在实际应用场景中,轴承信号通常是非线性且不稳定的,因此仅在时域或频域中难以分析,因此采用特征提取方法对故障数据和正常数据进行分析和分类。提出的状态监测,故障诊断方法包括数据处理,故障特征提取和故障特征分类三个部分。本文采用希尔伯特-黄变换(HHT)获取信号频谱,采用小波滤波器降低信号噪声。经验模态分解(EMD)方法,用于获取信号的固有模式函数(IMF),具有最大峰度值准则。借助最大峰度准则,从包络分析中选择故障敏感的IMF,以提取故障特征。在对数据进行预处理之后,将信号的重要功能用于机器学习技术的训练和测试。机器学习和数据挖掘技术已在许多实际应用中使用。机器学习方法的一个假设是,训练数据和测试数据是从同一风电场提取的,例如输入特征空间和数据分布特征相同。在本研究报告中,使用了两种机器学习技术,第一种是逻辑回归(LR),第二种是支持向量机(SVM),以比较这些方法并找出不同技术的优缺点。这两种技术是进行故障诊断和预测的强大工具,借助这些技术,我们可以防止风力涡轮机系统遭受重大损坏。停机时间和成本也可以减少。