随着风力发电产业的规模化发展,现行的风机“计划维修”和“事后维修”维护方式已经不能满足其维护需求,具备“视情维修”能力的故障预测与健康管理(Prognostic and Health Management,PHM)技术正日益受到风机行业各方关注,该技术能够将基于传感器的维护转变成为基于智能系统的维护,有效降低风电机组的运行与维护成本,是风电机组未来维护方式的发展方向。因此,本文开展对状态监测方法的研究,为风电机组PHM系统研究做数据基础,主要内容包括:一是风电机组PHM体系架构研究针对风电机组对PHM技术集成化、智能化网络化等需求,结合PHM技术特点,研究和构建了一种风电机组PHM体系架构,分析了实现该体系架构所需的各项关键技术。二是状态监测方法研究。针对基于单信号源状态监测方法适用性差等不足,研究了基于Copula的数据融合模型;在此基础上,结合非线性自回归动态神经网络(Nonlinear Autoregressive,NAR)较强的非线性时序建模能力,研究了基于NAR神经网络的正常行为模型。提出了一种基于Copula数据融合与正常行为模型的状态监测方法,实现了对系统运行状态的正确评价,具有一定的故障预警能力。三是故障诊断方法研究。针对早期故障信号高噪声、非平稳等问题,硏究了基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的信号特征提取方法;在此基础上,针对故障信号非线性、样本量少等特点,研究了基于支持向量机(Support Vector Machines,SVM)的故障诊断模型。提出了一种基于EEMD特征提取和SVM模式识别的故障诊断方法,实现了对早期故障信号的诊断。