风电机组大多数均运行在相对恶劣的环境中,故障率高,维护难度比较大。其中,传动链在运行中因一直受到交变载荷的影响容易产生部件损伤,损伤一旦达到故障程度维修难度将会非常大,因此传动链相关故障造成风电机组停机时间最长。传动链故障的出现很多都不是突发性故障,而是要经历一个从量变到质变的过程。若能对风电机组传动链健康度进行监测,提前发现传动链存在的问题,做好相应的维护,就可以大大减少维护成本,提高经济效益。因此,风电机组传动链健康度实时评估的研究对于提高机组的安全性和稳定性,降低运维成本具有重要意义。本课题结合作者工作实践,针对风电行业对机组传动链健康状态评估技术的应用需求,利用山东某风电场监控与数据采集系统（SCADA）得到的实际运行数据,开展了数据驱动的风电机组传动链健康度评估的研究。针对SCADA数据存在空值和异常值的情况,以及SCADA数据具有高维性、耦合性和冗余性的特点,采用数据挖掘的方法对原始数据进行处理,并进行相关性分析与特征提取。为得到齿轮箱油压、齿轮箱轴承温度等风电机组传动链各部件主要特征变量的预测模型,利用梯度提升决策树、随机森林算法和多层感知机算法分别对训练集进行模型训练,并采用R~2决定系数对三种算法进行评估,最终选择随机森林算法训练模型。对比历史运行数据和预测数据,验证了数据预测模型的准确性。针对传统劣化度计算方法在计算偏小型指标时仅考虑了评估指标当前值并且上下限均为固定阈值,从而无法适应风电机组复杂运行工况的问题,提出了动态劣化度的概念,以评估指标的预测值代替其当前值,并利用数据拟合的方法确定动态劣化度的上下限。劣化度计算完成后,利用熵权法计算风电机组传动链各指标信息熵,再应用信息熵计算各指标的权重,根据综合评价结果得到风电机组传动链健康度。在进行理论分析和模型搭建之后,以齿轮箱后轴承故障为例计算风电机组传动链健康度,并以机组有功功率和齿轮箱后轴承温度的实际数据进一步验证了风电机组传动链健康度评估模型的准确性和有效性。