风力发电机组通常建造在山区、高原和近海等偏远地区,其运行环境极端恶劣,以至于机组中发电机、齿轮箱和轴承等传动链部件故障频发,经常出现长时间的非计划停机,造成风机的运维成本居高不下。随着近年来科学技术的不断发展,风机日益趋向大型化和复杂化,其运维成本更是成倍增长。因此,如何降低风机的运维成本成为风电行业发展所面临的巨大挑战。对于在恶劣环境下运行的风电机组,人们期望于预知机组在故障前所能够运行的时间,以便制定合理的维修计划,使其发电能力最大化。本文综合可靠性模型、机器学习和深度学习方法,发展故障预警和寿命预测相结合方法,实现机组中发电机、齿轮箱和轴承等关键部件在故障发生前的剩余寿命估计,为风电机组的智慧运维提供有效的帮助,从而减少风机的非计划停机,降低维修成本,提高风力发电的经济效益。本文的主要研究内容如下:（1）针对风机变转速、变工况引起的失效模式变化情况,提出一种基于多元分层威布尔比例风险模型（MHWPHM）的寿命预测方法。MHWPHM模型通过将Weibull分布中的形状参数β构建为监测变量的非线性函数,融入多变量对模型基线函数的影响。利用该模型对机组进行可靠性分析,识别出机组可能存在的异常状况,并对机组故障前的剩余寿命进行预测。通过构建非线性指数函数,模拟机组累积失效概率的变化趋势,考虑数据和事件不确定性的影响,预估出机组的失效时间及其剩余寿命的置信区间。利用实际海上风机中发电机和齿轮箱的故障信息和SCADA数据,与传统威布尔比例风险模型（WPHM）进行比较验证,结果表明,所提出的方法误报率更低,可以准确地预测出机组发生故障前的剩余寿命,验证了所提方法的有效性和普适性。（2）针对风机轴承故障的剩余寿命预测问题,提出了一种长短期记忆（LSTM）神经网络与WPHM可靠性分析相结合的混合预测方法。该方法通过LSTM模型融合多变量对轴承温度的影响,提高了轴承温度的异常识别精度。基于LSTM模型给出的轴承状态指标,构建LSTM-WPHM寿命预测混合模型,对机组进行可靠性分析,实现风机轴承的故障预警和剩余寿命预测。利用实际风机的发电机驱动端轴承故障信息和SCADA数据,对所提方法进行验证。与传统WPHM模型结果相比,所提出的方法可以准确地预测出机组轴承故障的剩余寿命,且误报率更低,并能够有效地识别出SCADA系统漏报。