随着风力发电业的发展,风电场的运行和维护问题已引起高度重视。SCADA系统记录了风电机组关键部件的实时运行状态信息,不用另装传感器和监测系统,通过数据挖掘和预测分析实现风电机组运行状态的在线监测是降低运维费用的有效途径。本文首先概述了风电机组的类别、工作原理、主要技术性能,分析了风电机组常见故障的现象和原因,归纳了风电机组几个典型部位故障原因及表现形式,然后详细介绍了SCADA系统及其数据的特点及分类,为后续的研究奠定了理论基础。其次,分别研究了传统的固定步距及改进的基于马氏距离的非线性状态估计故障诊断方法,基于BP神经网络故障诊断方法,基于粒子群优化的BP神经网络诊断方法。其中,非线性状态估计法主要以相似性原理为依托来建模。在了解了齿轮箱相关知识的基础上,以预测齿轮箱温度为例,选择合理的输入变量,对数据进行预处理后,运用以上四种方法分别建模进行有效性验证。通过对这四种方法的诊断原理、诊断过程研究及四种诊断结果的对比分析,证明了采用基于马氏距离优化的非线性状态估计法的优越性及可实用性。最后,论文采用改进的非线性状态估计算法作为预测方法,利用Lab VIEW和MATLAB的混合编程技术,设计了基于虚拟仪器技术的风电机组故障诊断系统人机交互界面,该系统能够对风电机组的常见部位故障进行有效的预警和诊断,对风电机组的安全生产和经济运行的发展有积极作用。