风电总装机容量的快速增加以及风机运行时间的不断增长,使得机组疲劳失效时间与操作维护费用显著增加。变桨系统作为风电机组的核心部件,结构复杂且故障率高,导致大量费用来自维修和部件更换。变桨系统故障特征检测和可靠性评估是风电机组状态监测中的关键过程,通过可靠性评估能及时反馈机组各阶段运行状态,以制定合理的维护和检修策略。为此,论文利用数据采集与监视控制(Supervisory Control And Data Acquisition,SCADA)系统实时监测数据,挖掘出变桨系统故障特征,运用模糊物元方法对故障特征检测结果进行短期可靠性评估。首先,论文对变桨系统基本结构,控制原理及相关监测参数进行讨论分析,在描述了变桨系统故障机理后,挖掘出能够反映变桨系统状态的特征参数。在对SCADA原始数据介绍和预处理后,通过箱型图从四个方面对数据进行分析,得到样本数据基准参考,为后续建立变桨系统故障特征检测模型奠定基础。然后,针对风速与风轮转速为基准的特征参数分布特点,分别采用3σ原则和四分位分析法得到边界数据集。用自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)对边界数据集拟合建立非线性故障区间,分别对风速与桨距角模型、风速与发电机转速模型、风轮转速与电机驱动电流模型、风轮转速与变桨速度模型进行仿真,得到各特征参数平均劣化度,作为下一步可靠性评估模型的输入。最后,根据模糊物元理论确定变桨系统状态物元,用两两比较法计算各特征参数权重,得到变桨系统短期可靠性评估模型。结合风电机组实际运行情况,将各特征参数平均劣化度代入到评估模型,输出评估结果,验证此模型在可靠性评估中的有效性和可行性。同时,与其他评估方法进行定性对比,表明模糊物元方法更能准确评估样本数据异常状态。