近年来,风电行业发展迅速,越来越多的风电场建成,大规模的风电机组投入并网发电。然而,风电机组的故障发生率比较高,一旦发生故障势必对机组造成一定的损害,尤其是严重的故障对风机的影响非常大,并且运维费用高昂,从而影响到风场的经济效益。因此,对风电机组故障的预测及分析研究显得极为重要。本文在掌握风电机组运行原理,以及充分了解风电数据的基础上,以齿轮箱高速轴轴承超温故障为研究对象,运用数据挖掘方法对机组故障进行研究与分析。主要工作包含以下几个方面:首先,本文采用来源于SCADA系统真实的工程数据,对采集的变量进行特征选择,运用专业知识初步筛选无关变量,选取能够反映研究对象行为的变量。选择了基于ReliefF算法的方法来进行特征选择,并结合相关性分析选取相关变量用于构建模型,为建模数据的有效性奠定了基础。然后,为了判别齿轮箱高速轴轴承是否处于超温故障状态,本文采用基于数据挖掘的SOM自组织神经网络和支持向量机(SVM)两种方法构建故障预测模型。对于无监督学习的SOM自组织神经网络方法,选取没有类别标记的样本训练模型,SOM由于其强大的自适应和自组织学习能力,能够将数据有效聚类,然后通过与样本的实际类别相比对达到样本识别的目的。对于监督学习的SVM方法,选取正常和故障两类具有类别标记的数据样本训练SVM模型,利用SVM的分类能力来识别样本是正常样本还是故障样本。通过对原始数据处理后进行建模并训练数据集,用测试集验证模型,最后用混淆矩阵来评估模型的性能。最后,本文通过实验对SOM自组织神经网络与SVM方法构建的模型进行了对比分析,发现SVM方法具有更高的预测性能,能够及时、准确发现故障,从而达到提高风电机组运行稳定性及可利用率的目标。