随着风电装机数量的日益增长,风电机组故障率高以及运维成本高成为当前风电行业发展的瓶颈。当前风机故障监测主要依赖SCADA报警系统和运维工程师的经验分析,然而运维人员的知识储备存在一定差异,由此可能导致潜在故障发现不及时,故障处理精准度低等问题;在现场运维工作中,可能由于派遣的工程师专业技能的欠缺,故障处理能力不足,从而严重影响运维任务的处理效率,使运维成本大大提高。针对风电运维行业存在的以上问题,本文基于知识图谱技术提出了一种智能化运维方案。该方案通过构建故障领域知识图谱和运维工程师的认知技能图谱进行针对性运维派遣。知识图谱技术具有良好的人机交互优势,能够增强运维人员对故障的认知,辅助工程师进行故障定位和故障维护。融合认知诊断,可以实现针对性派遣,提高运维效率,进一步提升风电场的运维智能化程度。本文的主要工作如下:（1）根据当前风电运维领域存在的问题,提出以知识图谱为核心的风电智能运维系统框架。智能运维系统的研究包含故障诊断决策、认知诊断、针对性派遣三个主要研究内容,接着对知识图谱构建和应用过程中运用的故障树、本体技术,贝叶斯推理,决策树算法进行了理论分析,为实现风电智能运维奠定了基础。（2）基于本体构建风电故障知识图谱,并应用于故障诊断。以变桨系统为例,首先基于故障树运用Protégé工具搭建故障本体模型,为清晰表示并发现故障间隐含事实关系,融合SWRL规则与Jess推理引擎,对本体进行推理。其次将基于本体的知识图谱导入Neo4j中进行储存和可视化,并进行了三种形式的变桨工作异常故障诊断的案例分析验证,证明基于本体构建的领域知识图谱能方便有效地为运维人员提供运维辅助决策,提高了运维知识的共享和复用率。（3）基于认知诊断实现风电运维智能派遣。首先构建了变桨电机匝间短路认知诊断模型。在传统的贝叶斯推理基础上,采用贝叶斯心理测量模型与IRT算法对认知诊断模型中的条件概率进行建模,并采用MCMC方法估计条件概率参数,计算仿真得到贝叶斯网络中的后验概率形成个性化的认知技能图谱。进而运用决策树算法从运维人员认知技能图谱的数据中训练出派遣决策树,根据运维人员的认知技能图谱预测出是否适合派遣,提高了运维效率。（4）最后以故障知识图谱、认知技能图谱为数据基础,基于Neo4j图数据库和C#编程实现了风电智能运维系统,并进行了功能测试证明该系统的有效性和可行性。