随着全球风力发电行业快速发展,风电机组运维和故障诊断市场需求逐步增加,而风电机组轴承作为风电机组关键部件之一,其正常、稳定运行直接影响着风电机组能量转化率和机组其他部件健康状态。振动监测是目前轴承状态监测故障诊断的常用方法,风电机组数量多、振动测点多、采样率高造成数据量非常大,达到PB甚至TB,给数据传输、分析和诊断提出了挑战。随着互联网快速发展,各种大数据、云计算分析和处理新方法、新技术出现,大数据分析主要基于小数据的探索。因此,本文提出了集成经验模态分解与峭度系数和相关系数的关联度提取方法,通过时域参数、AR模型参数、能量熵参数提取了轴承故障和正常轴承之间的特征值矩阵,将特征值输入径向基核函数的支持向量机,训练故障严重程度的诊断模型,通过实验室轴承数据和风电机组实际运行轴承数据,验证了模型故障识别的准确率。通过对部分数据探索和研究,提出了风电机组轴承故障诊断云端化,运用亚马逊提供的AWS云计算平台,搭建基于AWS的风电机组轴承故障诊断研究平台,将采用的分析方法向云端进行算法的并行化和迁移,主要通过Python开发语言实现了多风电场多台机组振动信号实时信号采集、传输和处理,同时,针对每台风电机组轴承振动信号历史数据定期进行批处理,将其故障诊断和识别模型迭代和更新,实现了风机主轴承故障诊断专业化和定制化,验证和实现了风电机组故障诊断与云计算技术结合,对风电机组运维和故障诊断等领域具有较强的指导意义和参考价值。