近年来,随着风电场的建设规模不断扩大,风机部件的高频率故障严重阻碍了风电行业的发展,通过优化维护策略来降低运营维护成本成为迫切需要。仅通过人力进行风力发电场的运维工作,不但费时费力而且效率和精度没有保障。因此本课题通过利用风电场集控中心监控和数据采集（Supervisory Control and Data Acquisition,SCADA）系统的数据对风机进行健康度评估及故障模式预测,对风机的维护方案进行指导,降低了风机故障带来的损失,进而减小运维成本。本文的具体研究内容如下:首先,本文综述了近年来利用风机SCADA系统采集的数据对风机进行状态监测和故障检测的研究进展,对风机的结构和工作原理进行了具体分析。描述了本文所使用的SCADA数据的来源、采集方式及数据库交互。将SCADA系统采集到的风机的运行数据进行图形用户界面（Graphical User Interface,GUI）展示,实现了数据库参数的一一对应关系和风机运行数据的查找及显示。其次,SCADA系统采集的高维、海量风机运行数据不能直观的反映出风机的健康度,本文使用扩散映射（Diffusion Mapping,DM）数据降维技术对风机运行数据进行降维,风机在不同健康度运行下呈现出不同运行曲线,然后通过比较风机标准健康状态运行数据降维后拟合的标准曲线与待评估数据降维后产生的新数据的距离,来评估风机的健康度。将评估结果处于亚健康状态风机的23个运行参量选用双向循环神经网络（Bidirectional Recurrent Neural Networks,BRNN）算法进行预测,通过不同算法和评价指标的对比,证明了本文所选择的BRNN算法适用于所研究的风机,预测的23个运行参量将用于之后的故障模式预测。最后,通过对近三年风电场的33台风机的故障研究与统计,分析出运维时应重点监测的部件。从SCADA系统中提取出这四种典型故障导致停机三天以上的风机历史运行数据,通过扩散映射数据降维技术将不同故障类型映射到同一二维平面内,可以明显看出有四种曲线走势,同时证明了这四种故障在高维空间中存在对应的四种模式,为减小计算成本,本文基于概率神经网络（Probabilistic Neural Network,PNN）建立了对风机四种典型故障模式预测模型,将处于亚健康状态的风机的预测参量输入模型中,实现风机故障模式的快速预测。