风力发电技术日益成熟,已成为清洁能源的重要形式。国家强调绿色、环保、可持续发展,注重发展风电等绿色环保产业。风电产业发展过程中,实现准确判断风电机组部件运行状态,有效评估机组重要部件的剩余寿命以及合理安排机组维护方案是目前亟待解决的问题。轴承作为风电机组的重要部件之一,对风电机组能否正常运行有很大的影响,因此有必要对风电机组轴承进行状态评估和寿命预测。本文以轴承为主要研究对象,论文具体工作如下:(1)研究了风电机组的主要组成结构及其各自的作用,对轴承振动数据进行时域、频域等特征值的提取,全面介绍了轴承的典型失效形式,根据轴承温度报警故障建立了故障树,便于维修人员进行后续的故障排查工作。(2)研究了 Wiener过程相关理论,如果缺乏大量历史寿命数据,则无法利用统计寿命数据方法确定设备的寿命分布模型,因此本文提出了一种无需借助大量同类或相同系统历史数据的方法。该方法利用Bootstrap抽样方法求取模型的先验分布参数,融合贝叶斯(Bayes)方法在线更新模型后验分布参数。采用单特征值峰峰值验证了该方法的可行性,利用主成分分析(Principal Component Analysis,PCA)方法进行数据融合,分别将时域多特征量和时域频域多特征量经PCA融合后进行Wiener过程建模。对比时域单特征量、时域多特征量及时域频域多特征量,发现基于多特征量的Wiener建模方法预测精度更高,可以实现新建风电场的风电机组轴承等关键部件的在线可靠性评估及剩余寿命预测。(3)研究了极限学习机(Extreme learning machine,ELM)的基本理论和蜻蜓算法(Dragonfly algorithm,DA)的基本原理。为了提高风电机组轴承温度报警的剩余寿命预测方法准确度,提出了一种基于蜻蜓算法和极限学习机神经网络方法的剩余寿命预测方法。针对极限学习机预测结果易受其初始化输入权值和偏置的影响,采用蜻蜓算法(DA)对极限学习机(ELM)的权值和偏置参数矩阵进行优化。实验结果表明,与PSO-ELM、ELM和标准BP神经网络算法相比,采用DA-ELM方法预测风电轴承温度报警的剩余寿命准确率最高,训练误差最小,具有一定的应用价值。