随着科技的进步,大型机械设备如风力发电机组等在动态运行过程中存在的问题日益引起人们的关注。机械设备突发性故障,增加了维修负担和生产成本,导致生产效率降低,直接影响到企业的经济效益。风力发电行业作为风险度较高的行业,必须对其关键设备采取有效的状态监测和故障诊断措施,保证风电机组的安全运行。因为齿轮箱故障对风力发电机组影响最大,本文主要研究对风电机组齿轮箱的故障诊断方法。以振动信号分析为基础,应用故障诊断技术在风电机组运行的动态的环境中,对齿轮箱的运行状态进行观测、建模、评估。通过结合诊断技术在线监测,能够及时发现齿轮箱在早期的故障迹象,以便尽早采取措施维护或更换,避免造成更大的损失。齿轮箱故障是影响风电机组安全运行的重要问题,采取一定方法识别并诊断齿轮箱的运行状态对设备的安全生产运行有重大意义。传统的故障诊断方法准确度和可靠性较低,越来越多的智能诊断方法被引入故障诊断领域。本文研究方法就是应用隐马尔科夫模型识别风电机组齿轮箱故障模式,具体分为三部分内容：1)研究振动信号特征提取方法,并根据特征值的敏感程度进行优化选择；2)应用隐马尔科夫模型对齿轮箱在不同运行状态下的振动信号进行分析识别,并且对识别结果进行对比；3)在故障诊断的基础上初步研究了剩余使用寿命预测方法。结果表明：隐马尔可夫模型能快速有效的识别齿轮箱中磨损、断齿等故障模式,适用性很好,可应用于实际齿轮箱系统的故障诊断和寿命预测。