近年来,可再生能源的发展越来越受到各个国家的重视。风力发电作为较为成熟的发电技术,在最近几年被广泛应用,机组的装机数量越来越多,装机量也越来越大。但是由于风电机组的运行环境比较恶劣,对其进行维护需要消耗大量人力和物力。这极大增加了风电场的运行成本,降低了企业的效益。因此,对于风电机组的状态监测、故障维修决策变得越来越重要。若能提早准确地判断出风电机组发生故障的时机,就能有效降低机组的运行维修成本。现阶段对于风电机组运行维护的研究,广泛地基于风电场操作票上所记录的机组故障数据,并采取威布尔分布的方法对系统或者部件进行建模分析。这种方法仅仅考虑了机组的故障数据,固定且单一,机组的运行状态会随时间而改变,不能有效地考虑机组的实际状态。目前,风电机组基本都标配SCADA系统,SCADA系统的监测数据反映了机组各部件的状态变化信息,但是控制中心所存储的海量SCADA数据并未被充分利用。本文针对上述问题,先统计故障数据库中各部件的故障信息,确定关键性部件。对不可修复部件,利用其历史监测数据和故障数据,建立基于状态信息的比例故障率模型。用极大似然估计求解模型参数,并用遗传算法实现极大似然估计。利用最小成本法确定最优预防维修时间间隔,结合模型参数计算部件的阈值,引入状态曲线的上、下限,将区域分为正常工作区、监测加强区和维修区。将需要维修的部件状态信息代入曲线图描点,实现对其进行状态维修,最后对发电机轴承和碳刷进行实例验证和分析。针对可修复部件,引入役龄回退因子,建立比例强度模型。用多项式理论在现有数据的基础上,拟合出更加真实的仿真数据,解决建模所需数据不足的问题。用SPSS软件对多个监测数据项进行主成分分析,进行数据降维。最后建立可修复部件的比例强度模型,将该方法应用于发电机的维修决策上,实现发电机的状态维修。