目前,在化石能源危机和全球变暖加剧的背景下,可再生能源发展势头迅猛,特别是风能利用技术日渐成熟,并且经济效益和资源有效利用率显著提高。近年来我国装机容量不断增长,同时风场规模也在不断扩大,朝着大型化复杂化发展,大量风电机组超出质保期,给设备的保养维护带来极大挑战。本文监测数据来自新疆某风场,数据采集和监控系统(SCADA)记录了大量风电机组的状态参数和特征参数,形成了量大、多源、异构、复杂的风机状态监测大数据。其中,随着大重型风机的投入运营,齿轮箱作为风机传动系统的关键部件,其故障率也在随之增加,同时也是造成停机时间最长的故障之一,且维修成本高昂,因此对风电机组齿轮箱故障进行预测尤为重要。针对齿轮箱的故障分析多为振动分析,油液分析等,而油温作为齿轮箱的关键特征参数,基于齿轮箱油温的故障分析还比较少。因此,本文结合机器学习的思想,提出一种预测精度高收敛速度较快的齿轮箱故障预测模型,确保风电机组的安全稳定运行。本文以实际SCADA系统状态监测数据为基础,以风电机组故障率较高的齿轮箱为对象,分析了齿轮箱油温超限对齿轮箱乃至整个风电机组的影响,利用所提模型对齿轮箱关键的特征参数油温进行预测,并用实测数据进行模型验证。论文主要研究内容如下:(1)针对风机SCADA系统状态监测参量多源异构、信息冗余、质量不确定等问题,本文首次提出相关性分析和信息熵分析相结合的数据选取方法,得到模型输入变量数据,同时确保了对最终预测贡献的确定性。通过四分位法等进行数据清洗及处理,为下一步研究打下基础。(2)针对风电机组样本数据集维度过高,呈非线性特征,且计算过程复杂等问题,提出一种KPCA(核主成分)-LS-SVM(最小二乘支持向量机)的预测模型,在尽可能保留数据信息的同时实现了降维,通过以齿轮箱油温预测为例进行分析对比,验证了该模型具有更好的预测精度和更高的收敛速度。(3)为进一步进行准确的齿轮箱故障预测,针对SCADA系统对于齿轮箱油温只简单设置一个温度阈值进行越限报警,本文将统计过程控制思想引入风电机组的齿轮箱的故障预测中,作为齿轮箱故障预测的标准。在齿轮箱油温出现偏移的早期发出预警,实现故障的初期预测,弥补了SCADA系统故障预测延时等缺点,对风电机组安全正常运行、维护策略制定提供了理论技术支持。