近些年来,可再生能源的迅速发展引起了各个国家的强烈关注。风力发电作为比较成熟的发电技术,在最近几年被广泛应用,装机数量越来越多,单机容量也越来越大。但是由于风电机组的运行环境通常比较恶劣,对其进行维修需要消耗大量人力和物力,这极大地增加了风电场的运行维护成本,降低了企业的收益。因此,提高风电机组的维修决策水平变得越来越重要。以可靠性为中心的风电机组运行维护方法是通过风电场设备的历史故障数据,对系统或者部件建模得到运行可靠性分析结果,然后根据计算得到的寿命制定相应的运维策略。但此类方法仅仅考虑到风电机组的历史故障数据,而忽略了机组的运行状态会随时间而发生改变,因此,并不能充分地考虑机组的实际运行状态,做出准确的维护决策。本文针对上述问题,对风电设备中一些故障率高、维修工作量大和维修费高的部件,研究风电机组部件的劣化失效过程,开展基于马尔可夫决策模型和强化学习算法的部件状态维修技术研究。通过最小二乘法估计得到部件故障分布的形状参数和尺度参数,建立部件故障的威布尔分布模型,从而取得部件的可靠性和失效率曲线。基于部件的可靠性曲线对部件运行状态进行划分,同时根据维修前后部件可靠度的变化,计算得到部件在各种维修决策下的维修成本。再在此基础上依托马尔可夫决策过程建立部件的状态维修决策模型,最后采用策略迭代算法和Q-学习算法,以得到单位时间下部件的最小运行成本为目标,确定风电机组部件在各运行状态下的最优维修决策和下一次的检修时间间隔。本文以风电机组中的变桨滑环、集电环和发电机的历史故障数据为基础,通过上述流程得到其基于运行状态的最优维修决策,最终,计算结果表明在最优维修决策下的部件单位时间运行成本明显小于其自然状态下的运行成本。