海上风机属于多设备多功能的大型系统,设备结构复杂,导致失效模式多,在运行工作中需承受多种海洋环境载荷,风机故障率高,一旦发生事故,不但停机损失严重,还会造成海洋环境污染等其它恶劣影响;同时,海上风机具有吊装船费用高,风浪等环境条件下船只可及性差,故障停运时间长等问题,导致其维护成本极高。故障预测技术可以预测系统健康状态发展趋势,为维护提供决策,从而提高设备的可靠性和利用率,减少风机停机损失;视情预防性维修方法有助于对海上风电系统制定维护计划,将海上风机的传统被动维修转化为主动维护。故障预测与视情预防性维修是装备和系统实现自主保障的关键技术,然而在海上风电系统领域仍需要进行方法改进以提高海上风机可靠性,并降低整体维护成本。因此,本文针对海上风电系统的故障预测和维修方法两方面问题进行研究,依据研究对象从结构损伤识别预测、系统视情维护方法研究、到海上风电场的综合维护策略应用的递进关系,对海上风力发电行业中的主要运行和维护问题进行分析。主要研究内容如下:(1)由于塔筒结构为海上风电系统的基础结构,一旦发生损伤会有整个风机倾覆的风险,本文提出了基于神经网络分步识别的海上风机塔筒结构损伤预测方法研究。首先进行6组完好结构、不同位置、不同损伤程度的塔筒损伤实验,使用有限元分析软件Abaqus对其进行模态计算,用完好结构的塔筒实验模型实测数据对有限元模型进行修正,并和其它塔筒模型的损伤工况进行对比。使用Abaqus软件生成更多损伤工况数组,用以训练神经网络预测模型,并将广义神经网络和遗传算法改进的BP神经网络方法分步应用于海上风电系统的设备损伤位置判断和损伤程度预测当中,其中广义神经网络减少了 BP网络参数设置的不确定性,遗传算法改进的BP神经网络有效地解决传统BP网络易陷入局部最小值的问题,进而提高网络预测精度。训练结果表明,该分步预测方法可以有效地降低网络复杂性,大大减少了网络的训练样本,提高了桩腿损伤预测精度,同时节约训练时间。(2)基于风机主要设备的实际运行健康状态和不同设备维修之间的经济相关性,本文提出了一种优化海上风机维护费用的视情维修方法,即状态-机会维修方法,通过利用人工智能神经网络(ANN)以及状态监测信息预测海上风机设备的寿命百分比,根据部件的预测失效时间分布计算条件失效概率值,用于表示风机设备的劣化程度。本文所提出的状态-机会维护策略由两阶失效概率阈值确定,其值可通过单位运行时间内平均维修费用最小的方法优化得到,从而最大限度地减少长期维护费用。结果表明,状态-机会维修策略可以综合考虑风机设备的历史失效数据和实际运行状态,比基于固定时间的预防维修方法更节约维护成本,从而验证了该方法的有效性;并且通过陆上风机和海上风机的维护费用的比较,证明了对海上风电系统实施状态-机会维护方法的必要性。(3)海上风电系统设备维护时受天气影响,可达性差且失效后果严重,因此需对海上风电场进行综合维护优化策略研究,考虑设备不完全维修情况和天气环境可及性给海上风机维修带来的影响。本文提出了海上风电场的机会成组维修模型,同时考虑了系统与系统、设备与设备之间的维修相关性及停机损失等问题,进而达到各系统、各设备之间的维修活动相互协调。本文以大丰田海上风电场维护费用为计算算例,结果显示该方法可以提高风电系统总可用度,降低总维修费用,优化过程中也考虑了实际工程中修复程度的不确定性对系统状态的影响;同时,考虑天气可及性不但更符合实际海上维护工程,还可以适当租赁和调度船只,从而降低海上风电场固定维护费用,算理结果表明了该模型的实际性与优越性,可实现海上风电场维护活动的长期动态优化,并为大丰田海上风电场实际维护工作提供指导建议思路。