海上风力发电机作为风能利用的重要装备,由于其工作环境恶劣,工况复杂多变等原因导致故障频发,因此其运行可靠性受到了广泛的关注。轴承作为海上风力发电机组的关键零部件,一旦发生故障会导致整台风力发电机无法正常运行。对海上风力发电机轴承的剩余寿命预测可以在线评估轴承当前的健康状态、预测未来的工作状态,进而调节控制风力发电机运行情况、保证风力发电机安全运行,避免突发故障的发生。本文采用了数据驱动的方法对轴承的剩余寿命进行了预测研究。首先回顾了风力发电机的发展现状,分析了轴承作为海上风力发电机的关键零部件发生故障会产生的严重后果与影响;随后基于轴承全寿命周期振动信号构建反映其不同状态的健康指数,利用异常阈值、矩形框截取等方法对轴承不同健康阶段(正常工作阶段和退化阶段)的数据进行了划分;分别讨论了基于退化模型和基于神经网络算法的两类轴承剩余寿命预测方法。基于退化模型的剩余寿命预测方法是在拟合分析轴承退化数据的基础上建立退化模型和状态空间模型,利用Dempster-Shafer方法进行对模型参数进行初始化设置,然后分别利用卡尔曼滤波算法和粒子滤波算法更新模型参数,进而预测轴承的剩余寿命。基于神经网算法的剩余寿命预测方法利用思维进化算法优化反向传播神经网络的初始权值和阈值,将时间和健康指数分别作为输入和输出训练BP神经网络,基于此神经网络对轴承状态进行评估与预测的工作。通过上述方法的对比分析,结果显示所提方法在评估轴承当前工作状态和剩余寿命预测方面都取得了较好的效果。本文通过轴承振动信号的分析,利用贝叶斯框架下的滤波算法和神经网络算法对轴承的剩余寿命预测进行了研究,对轴承当前的工作状态进行有效评估的同时可跟踪轴承的衰退趋势,且能较好地预测轴承的剩余寿命。