为了解决环境污染与能源危机问题并适应全新的经济发展形势我们有必要发展一些清洁的能源形式。而风能相比于其他的常规能源形式更容易形成产业化规模,如今在越来越多国家的长期能源计划中发挥着核心的作用。传动系统、电气系统、液压系统等一些复杂系统共同组成了风力发电机。其往往工作在极其恶劣的环境下,伴随着环境温度、气压和交变负荷工况的变化迅速致使风电机组不同故障的发生,其中齿轮箱一旦发生故障将会造成巨大的生产成本。我们可以通过科学可靠的技术手段来预测风电机组齿轮箱的剩余寿命,可以在齿轮箱发生故障前提前采取维护与补救措施,因此对齿轮箱的剩余寿命进行预测具有重大的现实意义。本文采用基于粒子群算法优化支持向量机的方法来对风电机齿轮箱剩余寿命预测进行了研究。首先,对我国风力产业与风力发动机装机情况进行了介绍。对风电机组状态评估与建模的研究现状进行了介绍,关于风电机的状态评估与状态建模的研究共分为两大类,这些研究可分为对风电机组关键部件进行评估与建模和对风电机组整体进行评估与建模。介绍了四种机械设备寿命预测研究方法并分别比较了各自的优缺点。同时详细地介绍了三种振动信号处理方法的优缺点并进行了对比分析。然后,本研究采用粒子群算法来优化支持向量机的参数从而构建一个齿轮箱剩余寿命预测模型。首先对采集到的振动信号进行特征提取,由于各个特征参数之间存在数据冗余问题,使得建模过程复杂且模型误差较大。本文利用主成分分析法去降低原始数据样本的维数,在保持原始样本数据特征的同时起到了降低数据维度和简化计算的作用。降维后的数据输入到所建立的支持向量机模型中来预测齿轮箱的剩余寿命。由于支持向量机模型中的参数难以调节,提出了利用粒子群算法来全局优化支持向量机参数的方法。最后,将用主成分分析法对信号进行降维处理与没有用主成分分析法的信号进行了预测精度的对比实验。同时为了验证粒子群算法优化支持向量机参数的优越性,分别作了网格法和手调法优化支持向量机参数的对比实验。实验表明采用主成分分析法进行数据降维的粒子群算法优化支持向量机所构建的模型有着较高的剩余寿命预测精度与较强的泛化能力。