直驱式风力发电机,采用多极电机与叶轮直接连接进行驱动的方式,省去了最常发生故障的齿轮箱部件,可靠性和效率较高,正成为风电场的主要装机型式,对其进行状态监测与故障诊断可以避免机组烧毁、塔杆折断等严重后果。由于机组的监控数据实时性强、数据量大,分析过程还会涉及多风场数据的统一分析,基于大数据的有效分析方法十分必要。风电机组的主轴轴承故障和磁钢脱落是最常见的失效形式,分别代表了具有连续特征和离散特征的两种数据分析的典型问题。本文利用大数据分析方法的分布式并行特性,对健康监测的相关算法进行了分析研究和实现。针对连续特征的问题,提出了基于EMD和数据分箱的故障诊断方法。先通过EMD算法分解得到IMF信号,提取其幅域参数特征作为特征向量,并输入到SVM里进行故障分类,经实际数据验证,算法具有较高的准确率和泛化能力,较好地解决实际问题;基于开源大数据平台Spark,分别对EMD和统计描述特征算子进行了分布式并行结构的实现。针对离散特征的问题,具体分析了 "黑色粉末"这一典型的复杂不确定性问题。首先运用大数据分析的方法从多角度进行了相关性研究分析;基于开源大数据平台Spark,利用GF-Growth算法构造FPTree,推导黑色粉末相关的规则建立规则库,用于黑色粉末现象的预测,对黑色粉末问题的研究具有指导借鉴意义。