近年来许多风电场建成投产,运营公司最关注的内容在于减少成本、提高效率,增加风电机组服役时间。目前风力发电设备的维护技术还不成熟,远远达不到风力发电机组发展的要求。叶片、齿轮箱、主轴、发电机等关键部件的损坏在风电机组运行过程中十分常见,还不时发生风电机组倒塌的重大事故。齿轮箱是双馈风力发电机组运行和维护的关键设备,不仅具有较高的故障率,而且一旦发生故障,耽搁较长的维修时间,造成巨大的经济损失。本文对风电机组齿轮箱故障趋势预测方法进行研究,旨在于判断齿轮箱的未来运行状态,预测发展趋势,估算剩余寿命,为风电机组的运行与维护提供重要的参考与依据。首先,本文对风电机组齿轮箱的常见结构进行简要概述,基于齿轮箱最为普遍的四种故障模式(疲劳模式、磨损模式、过载模式和腐蚀模式),对齿轮箱的典型故障类型进行描述。其次,基于预测理论的介绍和前提假设,运用基于齿轮箱振动数据的趋势预测方法(BP神经网络模型、Elman神经网络模型、小波神经网络模型)对一组故障仿真信号以及某齿轮箱实际信号进行预测,通过对比分析找出最合适BP网络参数与结构。最后,通过粒子群优化算法以及遗传算法对BP神经网络进行优化,使得预测模型更加合理化,预测准确度得到提升,验证了粒子群算法和遗传算法优化的可行性和有效性。