随着经济全球化的发展,人类社会对能源的需求达到了前所未有的水平。为减轻传统化石能源燃烧带来的生态环境污染,大力开发新能源技术发展低碳经济已成为世界各国的广泛共识。作为一种在自然界中蕴量巨大,分布广泛且永不耗竭的绿色能源,风能已成为世界各国应对能源危机以及环境污染的有效手段。近年来,全球风力发电装机容量逐年上升,风能正加速抢占可再生能源的市场份额。在风电迅猛发展的同时,一批较早期并网风力发电机组的运维问题逐渐浮现,导致风电运维成本居高不下,严重制约了风电行业的健康发展。其中,齿轮箱部件作为风力发电机组的重要机械部件,长期运行在高速、重载及恶劣环境下,是机组的主要故障源之一,其故障会造成风力发电机组长期的停机停运,带来较大经济损失。本文结合风力发电机组齿轮箱的实际运维需求,深入研究了基于数据采集与监控（Supervisory Control And Data Acquisition,SCADA）系统的齿轮箱故障预警相关关键技术,从数据预处理、齿轮箱建模与故障预警策略设计的流程出发,展开以下研究工作:首先,针对SCADA低质量数据中的成行缺失值给出数据成行缺失模式的定义,并提出了一种端到端的缺失值填充方法。考虑到实际SCADA数据无法获取缺失值的真值用于建模训练,借助随机采样构造含真值的成行缺失数据样本,并采用双向循环神经单元与降噪自编码器模型提取成行缺失数据的特征,实现对成行缺失数据的准确填充。该模型通过设计迭代下降的损失函数评估缺失值填充的效果,解决了实际工程应用中无真值参考的问题,并给出了一套面向成行缺失模式下的低质量数据的缺失值填充解决方案。其次,针对风力发电机组齿轮箱部件设计了一种基于图神经网络的正常行为建模方法。根据具体故障预警任务需求,选取对应的齿轮箱运行变量作为分析对象,基于齿轮箱健康运行状态下的SCADA数据,采用时序卷积和图卷积等网络结构提取运行变量的时序特征与变量间的空间关联特征,实现对目标变量的准确预测。该模型相较于主流的时序预测方法能够从SCADA运行变量中提取有效特征精确刻画运行变量间的动态非线性关系,实现对风力发电机组齿轮箱部件的正常行为建模。最后,针对齿轮箱故障预警设计了一种基于评分机制的故障预警策略。基于齿轮箱正常行为建模的残差序列,应用EWMA控制图建立动态预警阈值,进一步考虑残差超限的次数与程度并分类计算其对应的故障预警分数,根据故障预警分数进行判定得到齿轮箱故障预警结果。该策略相较于传统预警策略能够克服正常行为建模残差序列的波动特性,有效降低了齿轮箱故障的误报率和漏报率,有助于实现齿轮箱部件的主动预防性运维。