风能作为一种优秀的清洁能源在世界范围内得到广泛应用,近些年风能产业的发展速度猛增,风力发电总产量飞升,与之而来的行业痛点愈发明显,风电机组性能的提高与运维成本的降低成为了各风电厂商与风电场的重要需求。因此对风电机组有效的运行状态监测与故障预警进行研究具有重要的现实意义与经济价值。本文经过对风电机组结构与故障原理的了解,以及对国内外发展现状的研究,最终针对风电机组齿轮箱大部件的故障预警与运行健康状态监测分别进行了理论研究与实践。本文以国内华北某风电场一风电机组的历史数据为基础,以齿轮箱油温过高故障为例,主要做出了如下工作:在风电机组故障预警方面,建立了一种基于LSTM的Seq2Seq架构的状态参数预测模型。进行了状态参数相关性分析与以异常点剔除为目的的聚类,结合工作原理提取特定特征,对数据进行了时间尺度的压缩及标准化工作,在此基础上分别建立并比较了基于LSTM、Bi-LSTM、Seq2Seq及带有Attention的神经网络状态预测模型,实现了对风电机组齿轮箱油温等3个温度参数的精确预测,并通过对观测值与预测值残差的观测,将其作为可量化的故障预警因子,并通过滑动窗口算法统计均值、标准差与信息熵故障的早期准确预警的标准。并以真实数据为建模基础,证明该模型能够准确并提前数天实现故障预警。在风电机组运行健康度劣化监测方面,建立了基于混合高斯模型的风电机组健康度劣化监测模型。进行了基于风速的简单工况分类,异常点剔除与特征提取工作,利用高斯混合模型对风电机组运行状态序列分布进行拟合,同样根据GMM所得概率在滑动窗口内的均值、标准差、信息熵为标准,在真实数据上,实现了对齿轮箱大部件运行健康劣化的有效度量。在风电机组工作状态综合评价上,建立了多层模糊综合评价模型。综合考量了风电机组状态参数故障预警与健康度劣化监测结果,加入对风电机组工作时长的考量,通过劣化度对状态参数进行度量,建立了多层模糊综合评价模型,实现了对风电机组齿轮箱大部件运行总体状况进行模糊评价。综上所述,本文研究了风电机组运行机理,充分运用SCADA历史监测数据,建立了有效的风电机组齿轮箱大部件的故障预警与运行健康状态监测模型,最终为实现延长风电机组设备寿命、提高发电量、提升企业经济效益的目的提供价值。