齿轮箱是风电机组传动系统中的关键部件,其构造复杂且放置在与地面距离较远的机舱内部。发生异常时,由于对其故障进行判别与维修较为不便,从而导致风电机组停机时间长、设备维修成本高。因此,有必要选择高效的风电机组齿轮箱状态监测与故障诊断方法。本文基于孪生支持向量机的分类优势,对风电机组齿轮箱进行状态监测与故障诊断。主要内容如下:1.构建了单边残差EWMA控制图监测齿轮箱轴承温度运行状态。由于数据采集与监视控制（SCADA）系统采集到的齿轮箱轴承温度存在自相关性,使用残差EWMA控制图能消除数据自相关影响。根据EWMA控制图存在参数偏移方向一致的特性,提出了单边残差EWMA控制图,以失控时的平均运行链长作为评价指标,使用蒙特卡洛（Monte Carlo）对评价指标进行仿真。当运行过程处于失控状态时,相较于传统单边EWMA控制图,本文构建的单边残差EWMA控制图平均运行链长更小。2.构建了改进粒子群优化的孪生支持向量机（IPSO-TWSVM）预测模型,预测风电机组齿轮箱轴承温度。使用单边残差EWMA控制图监测齿轮箱轴承温度,需获得齿轮箱轴承温度的残差序列。基于此构建了IPSO-TWSVM预测模型,对风电机组齿轮箱轴承温度进行预测。与其他预测模型进行对比,IPSO-TWSVM预测模型的拟合度更强、预测准确性更高、收敛速度更快。将风电机组齿轮箱轴承温度的预测值和真实值做比较,得到齿轮箱轴承温度的残差序列,计算控制图统计量后,绘制单边残差EWMA控制图。相较于传统单边EWMA控制图,本文构建的单边残差EWMA控制图能提前发出警示,提高了失控状态下的控制图预警性能。3.构建了基于遗传算法的孪生支持向量机（GA-TWSVM）控制图模式识别模型,对齿轮箱故障进行诊断。基于样本的统计特征和形状特征,设计三种不同特征组合方案。通过Monte Carlo模拟得到的基本控制图模式数据样本点,进行仿真实验。对比其他常用识别模型,GA-TWSVM模式识别模型在分类准确率、识别时间上具有优势。因此将GA-TWSVM控制图模式识别模型应用到齿轮箱故障诊断,通过建立控制图异常模式与故障的映射关系,根据识别到的异常控制图模式,确定导致风电机组齿轮箱故障的相关因素,提前锁定故障原因。