近年来,由于能源需求程度的不断增加,能源短缺问题日益严峻,风能作为一种新型清洁能源有着光明的应用前景。风电机组作为风能转化为电能的主要执行机构,其健康状况直接关系到企业生产的安全性和经济效益。风机齿轮箱作为风机运行中的关键部件,通常安装在风机的顶端,发生故障时维修非常困难。齿轮箱大部分故障表现为轴承的性能退化失效,因此需要通过科学有效的方法对风机齿轮箱轴承的剩余寿命进行预测,以在合适时刻采取维护措施使其性能退化得到控制和纠正具有很大的现实意义。本文以风机齿轮箱轴承作为研究对象,以数据驱动技术作为切入点,对其剩余寿命的预测方法进行了研究。首先,对现有的设备剩余预测研究方法进行了综述,并进行比较和归类。同时对机械设备故障预测的概念、故障预测内容和国内外研究现状进行了介绍,介绍了失效演化过程的分析及剩余寿命的定义,为风机齿轮箱轴承剩余寿命预测模型的建立奠定了基础;然后,建立了风机齿轮箱剩余寿命预测的支持向量机模型,对轴承实验平台提取的振动信号提取趋势性性能退化特征。为了减小特征中的冗余,消除特征中的噪声,提出了基于主成分分析的数据降维方法,降维融合后的数据输入到支持向量机中,用于预测剩余寿命。针对支持向量机中参数对泛化能力影响大,参数难以调节的问题,提出了基于遗传算法的支持向量机参数优化方法。最后,为了验证PCA降维对预测精度的提升,进行了无PCA降维的对比实验。同时为了验证遗传算法优化SVM参数的有效性,进行了网格法优化SVM参数以及手调SVM参数的实验。实验结果表明采用PCA数据降维的遗传算法优化支持向量机泛化性能较强,有较高的剩余寿命预测精度。综上,本文针对风电机组齿轮箱轴承的剩余寿命预测进行了一系列工作,并且取得了一些成果,但是还有一些工作需要进一步完善。基于数据驱动的剩余寿命预测方法缺乏对轴承退化过程的机理分析,下一步可以深入挖掘轴承退化的机理模型为数据驱动方法提供理论支撑。除此之外,本文主要优化了支持向量机的两个关键参数,其余参数也可以参照本文思路进行优化。本文的研究工作可以为我国风机齿轮箱轴承剩余寿命预测研究提供一些参考和借鉴。