状态监测系统（CMS）一般是用在风机上安装专用的硬件以及传感器，通过对采集的数据进行分析，进而评估风机部件的健康情况，以及决定是否要采取进一步的维护措施。但是通常情况下，这需要业主进行新的投资。
实际上风机的SCADA系统已经包含了很多有价值的信息，可以很有效的用来做风机的健康监测。除了可以用来做现有的故障诊断以外，SCADA数据还可以用来对风机做故障预判，以及寿命计算。这种方法成功的关键在于一个有效的物理故障模型以及一个机器学习系统。
为了能够使这样的技术应用在大量的风机上，数据采集、传输、存储以及分析等工作必须要尽可能的自动化，因此我们需要一套专业的软件系统来处理具体的任务。
通过统计方法以及物理模型的结合，以及定制化的软件工具，我们就可以在出现影响风机性能的故障出现前得到预警，并且据此采取进一步的运维手段，诸如准备备件，安排合适的检修时间等，以使效益与成本之间达到最优。
随着风机单机容量越来越大，技术越来越复杂，对于风电投资商来说，更高的质量和可靠性变得越来越重要，如何减少停机时间和运维成本是投资商利润最大化的重要手段。
尤其是随着离岸风电场的开发，其运维成本变得更加的高，因此一个能够优化并有效的风机故障预判解决方案就变得越来越有需求。
然而一个有效的运维策略是相当复杂的，要综合考虑诸如人力、资源计划、备品备件、工器具、以及在停机时间以及维护成本之间的权衡。与其他产业相比，风电还要面临地理位置分散，尤其是离岸风场多变的天气状况变成了重要的运维计划要考虑的因素之一。
随着状态监测系统（CMS）逐渐成为基于状态监测的运维策略（CBM）的有效应用，这些不确定的运维计划得到了有效的减少。近些年来，这样的CMS系统已经证明了在检测多种风机故障特别是传动链系统方面有很好的效果，例如轴承、主轴、齿轮等都可以通过振动的监测或者通过对油里面的金属屑的监测。如此这样的预警，可以让运行人员计划进一步检修，并准备可能发生停机时的备件，这对于运维策略的优化提供非常有价值的输入。
然而，实际上这种CMS是有局限性的。购买和安装定制化的硬件，例如传感器，线缆，数据处理单元，存储等，其成本是非常高的，一般在整个风机成本的1-2%左右。即使按照一套非常全面的监测系统，也只有一部分潜在的故障能被检测到。经验表明故障的总类是非常多的，而且分布跨越在多个系统和部件之间。例如变浆系统、偏航系统、控制系统，电力电子、叶片、冷却系统等。特别对于离岸风场，一个小故障可能导致几周的损失，由于天气情况妨碍了及时的维修。
相比于当前主要集中于少量的机械故障，大量可能的故障需要一个相对综合的监测方法。理想情况下，应该能够监测风机的所有主要系统，并能检测到相关的故障。而实现这样的目标不用加装大量价值不菲且只能监测有限故障的传感器，而且从这套监控系统所需要的数据不至于大到在采集、传输以及存储过程中有困难，同时其所有的数据验证、集合和分析等都应该是尽可能的自动化操作的。
所有的现代风机都已经装载了大量的传感器用语风机控制以及安全系统。这些构成了SCADA系统的基础。测量数据与风机控制器之间以相当高的频率通讯。尽管这种高分辨率的数据很少存储下来，但是生成并存储10分钟数据已经成为标准，一般包含周期内平均值，也会包含最大值、最小值以及标准方差等。
因此，SCADA的历史数据是随时可用的，不需要额外的设备，并且包含了大量的系统行为的信息。这些数据能够有效的用来评估和进行状态监测。这种应用自动监测算法来评估性能的方法已经在过去几十年里应用在像汽轮机以及飞机引擎等方面。虽然方法各异，但是一般都包括数据验证、信号处理、特征提取、建模以及通过统计技术来识别异常的系统行为以进行故障诊断。