风能作为一种可再生清洁能源，具有储量巨大、分布广泛，且开发利用成本较低的特点，是可再生能源中最具开发前景的一种能源。然而，风力发电机多位于风能资源丰富的区域，例如戈壁、荒野、高山等，运行环境较为恶劣，会对风机运转造成一定的影响。同时，长期运行也会对风机内部造成一定的磨损，在多种因素的影响下，风机不同部位的部件很容易发生各种各样的故障，其中风电机组轴承故障是风机故障最为常见的。风电机组轴承发生故障可能造成风机工作效率低下，还有可能造成风机停转，甚至可能导致风机彻底报废，严重影响风力发电场的生产安全和经济效益。因此，研究风电机组轴承故障预警对风力发电场的安全生产具有重要意义。
　　SCADA(supervisory control and data acquisition)系统是安装在风电场的监视控制与数据采集系统。本文以SCADA系统采集的数据为基础，运用机器学习的方法对风电机组轴承超温等故障进行分析研究。主要工作包括以下内容：
　　(1)针对于风力发电机数据预处理问题，本文提出了基于改进bin算法的数据预处理方法，能够有效的对采集到的原始数据进行数据清洗，去除异常数据。通过SCADA系统采集的风速-功率原始数据中存在大量噪声，给后续应用研究带来了很大的挑战。本文基于风速?功率数据的空间分布特征，将风速-功率数据分为3类，提出了基于分区域bin(dbin)算法的异常数据识别清洗方法及流程。实验结果表明，dbin算法识别异常数据的效率比传统算法更高，具有较强的通用性。
　　(2)针对于风力发电机轴承超温问题，本文从两个不同的角度构建轴承超温预警模型，并提出评价指标。一是基于回归参数算法，利用正常历史数据构建轴承温度正常变化曲线模型作为参考曲线，利用历史超温数据构建轴承超温变化曲线，采用平均距离的方法对异常回归曲线、正常参考曲线的偏离程度进行量化，得到反映轴承潜在超温问题的机组健康指标。二是基于SVR(Support Vactor Regerssion)算法构建轴承超温故障预警模型：通过对轴承温度、功率、转速等历史数据进行训练，得到轴承温度预测值。计算轴承温度预测值与实际测量值的偏差，并于设定阈值进行比较，判断轴承是否超温，达到对风电机组轴承超温预警的目的。
　　(3)针对于风电机组轴承其他故障，本文基于自步学习算法构建轴承故障识别模型。自步学习的训练过程首先选择具有高似然值、训练误差小的样本进行迭代，不断更新模型参数，直到对所有样本进行迭代或者损失函数降到最低为止。利用自步学习对轴承的扭转角偏差故障、轴承的扭转角增益故障、轴承的扭转角卡死故障等9个故障数据进行分析，并与LVQ(Learning Vector Quantization)算法、ELM(Extreme Learning Machine)算法、决策树(decision tree)算法做对比可以得出自步学习算法分类精度最高，效果最好。
　　本课题以风力发电机组为选题背景，以SCADA系统采集得到的数据为基础，结合机器学习的方法对风电机组轴承超温故障和风机轴承的扭转角偏差故障、轴承的扭转角增益故障、轴承的扭转角卡死故障展开了研究。实验结果表明，本文提出的方法能够有效的对风电机组轴承故障进行预警。