根据国家能源局在风电发展“十三五”规划中的指示,未来风电行业不仅有着总装机量的要求,其机组运行维护的优化也被提上议程。运行条件恶劣、故障失效原因多样化、事后维修成本高等是风电场运维面临的几个关键问题,其中一个很关键的维修部件就是齿轮箱。对齿轮箱退化状态的描述、故障失效部位的定位及溯源、开展基于状态为主的预防性维护策略是风电机组运维成本下调的研究热点。本文针对齿轮箱的故障预诊及维护策略开展了以下几方面研究:(1)建立基于统计模式识别(SPR)的齿轮箱退化状态评估与识别模型,利用小波包能量谱实现对其关键部位振动信号的特征提取,从而生成退化特征矩阵。再采用类内紧密-类间分离(Scat-Sep)评价指标对退化状态进行划分,最后以搭建的风电机组运行模拟实验平台,验证了该模型的可行性,并得到4个退化状态数目。(2)提出分阶段的人工免疫-自适应调节(AIS-SA)混合网络预测算法,并搭建了齿轮箱温度预测模型,实现了对故障部位的诊断与提前预警,该算法克服了传统神经网络算法初始参数选取难以及容易局部最优等应用局限,通过温度采集实验验证了其有效性与准确性。(3)讨论了风电机组齿轮箱在预防性维护策略下所涉及的维护条件、维护成本、维护动作等要素,考虑到部件维护经济相关性而引入机会维护的概念,确定了最佳的维护阈值。接着提出基于动态维护阈值的分阶段机会性预防维护策略,以单位时间维护成本最低为目标函数,通过算例验证该策略的经济性,并给出各维护阶段内的维护动作及维护周期间隔,为风电场运维提供了方法及参考依据。