相关资料显示齿轮箱、发电机、主轴承发生故障是造成风电机组停机时间最长的故障因素。因此对其进行必要的状态监测可以有效减少机组停机时间。目前对大型风电机组的状态监测和故障诊断多基于数据采集与监测控制系统(supervisory control and data acquisition,SCADA)。但仅仅只基于SCADA系统来判断机组的健康状态,其监测结果较易受环境等外界因素影响,可靠性低、误差大。而振动信号作为反映机组各旋转部件(如齿轮箱、发电机、主轴承)的重要参数,使振动分析成为大型旋转机械设备状态监测方面一种可靠、有效的分析方法而被广泛的应用到实际中。本文在风电机组的故障高发部位加装振动传感器获取振动信息,结合SCADA监测数据,采用改进的基于马氏距离构造过程记忆矩阵的非线性状态估计技术(nonlinear state estimate technique,NSET)建立风电机组关键部件状态监测模型,进行状态监测与异常识别。通过与传统的基于固定步距构造过程记忆矩阵的方法相对比,突出改进的马氏距离算法简单有效,建模精度高的特点。同时以齿轮箱的状态监测为例给出了实例验证。进而从相关部件整体的状态监测深入到与其息息相关且能影响其运行状态的组成部件之上。通过对这些变量的预测来寻找造成部件整体异常的原因。实现异常的辅助判断与初步定位。然后应用多层次模糊综合评价法建立风电机组运行状态的评估模型,选取风电机组齿轮箱、发电机、主轴承的特征监测指标实现了风电机组整体运行状态的评估。为了便于本文所提出的状态监测模型在工程上的应用,本文运用LabVIEW和MATLAB的混合编程设计出了基于虚拟仪器技术的风电机组状态监测与异常识别图形化人机交互系统界面,该系统能够对风电机组的齿轮箱、发电机及主轴承进行有效的状态监测与异常预警,且实现了Web发布,远程控制。对风电机组实现安全生产和经济高效运行有着积极作用。