海上风电具有风力强、风向稳定、单机容量大、不占用土地等优点,已逐渐成为我国风电产业未来的发展方向。然而,海上风电机组常年受到台风、潮汐、海浪等恶劣环境的影响,导致机组易损部件频繁出现故障,为此,开展海上风电机组易损部件的劣化趋势预测研究,对降低海上风电机组故障发生的频率,降低运行维护成本有重要意义。本文通过提取合理的劣化指标,建立有效的预测模型,来揭示易损部件性能的劣化趋势,从而实现对部件的早期故障预警。主要研究内容如下:(1)考虑到易损部件劣化趋势预测的准确性,首先对海上风电机组的复杂工况进行划分,针对具体工况开展预测研究。提出一种结合Fisher判据的差分进化算法(Fisher Differential Evolution,FDE)优化核主元分析(Kernel Principal Component Analysis,KPCA)的多参数工况特征提取,在此基础上采用模糊C-均值聚类(Fuzzy C-means,FCM)建立工况划分模型,并运用海上风电场实测运行工况数据进行了验证。(2)提出基于优选小波包与马氏距离的易损部件性能劣化门控循环单元(Gated Recurrent Unit,GRU)预测方法。首先,利用小波包分解法提取易损部件数据的能量特征,建立最佳分解层数原则,并根据能量波动变化率选择最优小波基函数。然后,通过计算特征向量间的马氏距离(Mahalanobis Distance,MD)作为易损部件性能劣化的指标,将该指标作为GRU网络的输入来构造劣化趋势的预测模型,并以实测的轴承全寿命数据为例对算法进行了验证。(3)在预测出易损部件发生早期故障后,提出基于模糊核聚类模型(Kernel Fuzzy C-means,KFCM)的易损部件故障诊断方法进一步检验预测结果的准确性。通过改进灰狼优化算法(Grey Wolf Optimization,GWO)获得最佳分类结果下的各聚类中心和核参数。根据易损部件测试数据与各聚类中心之间的核空间样本相似度,先判断样本是否属于已知故障,再诊断故障类别,并以实测的齿轮劣化数据为例对算法进行了验证。