由于恶劣的运行环境和复杂多变的运行工况等因素的影响,风机关键部件的性能退化对风电场的经济性和运行可靠性造成不利影响。齿轮箱作为风电机组的关键部件之一,其故障导致停机时间最长,而齿轮箱的运行数据隐含着大量劣化信息,通过采取合适方法对齿轮箱的劣化过程进行量化可以评估其健康状态。因此,本文基于SCADA运行数据,对齿轮箱的健康状态评估与短期寿命预测方法展开研究具有理论和实际意义。首先,开展齿轮箱温度预测模型建模方法的研究。采用主成分分析法从SCADA系统中选择相关参数的运行数据作为建模的数据集,选择极限学习机(ELM)作为预测方法,由于ELM随机输入权重和阈值,难以确保最优预测性能,采用混沌粒子群(CPSO)算法优化ELM参数,通过齿轮箱健康状态下的数据集建立并训练CPSO-ELM温度预测模型。其次,开展齿轮箱健康状态评估方法的研究。将齿轮箱故障前的运行数据作为CPSO-ELM温度预测模型的输入,输出得到劣化状态下的温度,提取劣化特征后采用高斯混合模型聚类方法计算劣化度,比固定阈值计算的劣化度更准确;采用云模型的模糊综合评价方法基于劣化度对齿轮箱的健康状态进行综合评价。最后,研究齿轮箱的剩余寿命预测方法。齿轮箱在健康时与劣化时的温度形成偏差,劣化后期接近故障时,偏差特征量波动变大,采用集合经验模态分解的方法对偏差特征量进行分解去噪和重构,去除高频噪声的干扰而不丢失原始特征,作为寿命预测的故障发展特征,然后引入高斯过程回归方法建立故障发展特征与剩余寿命的对应关系模型。预测结果相较于BP神经网络和支持向量回归模型具有更高的准确性。