主轴承是造成风力发电机故障的主要因素之一。在传统风电机组中,主轴承作为风电机组的核心部件之一,起着十分重要的作用。但风电机组通常位于高空,面临工作环境也相对具有挑战性,较为恶劣的工作环境使其更易受雨雪、冰冻等自然灾害的侵害,造成其内部出现润滑不良而导致各种问题,更有甚者可能致使整机瘫痪。如何准确的对风电机组部件进行科学、有效的状态检测及诊断已成为社会生产发展的迫切需要。主轴承故障检测及其诊断,现在最直接的方式是加装在线振动监测系统,以此来分析主轴承故障,但早期的风机是无此系统的,时至今日,现场安装的振动传感器数量也很少,而较为普遍是通过SCADA系统数据来侧面去推算主轴承是否会出现故障。其中跟振动最接近的一个数据就是主轴承的温度,SCADA系统的风机测点大概有一两百个,除开主轴承温度有些是相关的、有些是不怎么相关的;如何选择合适的算法对相关参数分析,现今较常用的两类典型的方法有经典数学模型和智能算法。由于经典数学模型单一的故障指标评判指标,无法全面的对主轴承温度异常故障进行一个全面的考量,需要逐个分析,在这种情况下是难以建立精确的数学模型。而对于智能算法这样的黑匣子模型,需要大量的数据来训练模型,但问题也同时存在,需要大量的数据才能保证模型是准确的。另外,对于何时发生故障以及具体是哪个机组发生,都充满了不确定性,有时获取的数据范围可能还需要涵盖所有的工况。面对以上问题,本文将直驱型2兆瓦风电机组主轴承作为主要研究对象,研究分为三个版块:主轴承温度异常相关数据预处理、主轴承温度检测方法选择及检测方案设计和主轴承温度异常原因智能推理探索。研究的主要内容如下:(1)主轴承温度异常相关数据预处理。在数据预处理方法的选择上,选用层次分析法和证据理论,通过专家决策标准表和相关水平矩阵表设置影响主轴承温度异常强弱的相关参数,调用@RISK软件并结合采纳多个专家意见,获取主轴承温度异常强相关参数测点。对于参数测点数据存在的问题数据(空值、错误值、奇异点等)拟用局部离群因子(LOF)算法进行数据清理后,作为输入应用于主轴承温度异常检测方案。(2)主轴承温度检测方法选择及检测方案设计。对故障异常检测及诊断中两类主要方法进行阐述和分析后,选取主轴承温度智能检测方法中BP神经网络,并拟用增强后的粒子滤波算法加以改进,设计EPF-BP算法的风电机组主轴承温度异常的状态检测方案,搭建主轴承温度异常状态检测模型。针对直驱型2兆瓦风电机组主轴承温度进行仿真。结果表明该诊断方案可以更为有效、准确地识别风电机组核心部件主轴承温度异常,以提高主轴承运行的可靠性。(3)主轴承温度异常原因智能推理探索。对于主轴承温度异常的原因。使用一种有效的知识模型来对主轴承温度异常原因进行知识推理,使用protégé开放源代码软件构建基于本体的主轴承温度异常原因智能推理模型。添加了Web本体语言-OWL的信息规则,实现了语义层次上的信息共享,交互和处理。通过知识推理,探索主轴承温度异常的原因。