随着“智能制造”在我国的逐步推进,生产设备的复杂、集成、智能程度不断加深,由此造成设备保养及维护的难度逐渐加大,维护费用逐渐增高,如何合理的进行设备运维工作已经成为影响制造业发展的重大问题。风力发电设备所在的地理位置、作业特点决定了其维护的困难性,如何在故障发生之前,基于历史状态数据、实时监测数据的挖掘,建立合理的预测模型,评估设备的可靠性,是保障风机设备稳定运行的关键。本文以风力发电设备为对象,首先阐述了我国风力发电产业的现状,分析了风电设备维护过程中存在的问题;其次,对风力发电机的构造、关键部件故障特点及成因进行了研究,对常用故障诊断模式进行了概述;接着,分别建立基于回归分析、神经网络算法的风机关键部件故障预测模型,同时提出基于PCA(Principal Component Analysis,主成分分析)-RBF(Radial Basis Function,径向基函数)神经网络的风机关键部件故障预测模型、基于统计学方法的风机关键部件短期可靠性评估模型;最终,依据某风场SCADA系统数据进行实例分析。结果表明,本文所建立的基于PCA-RBF的风机关键部件故障预测模型相对于回归分析及一般神经网络算法具有更高的预测精度,所建立的短期可靠性评估模型能够较好反应风机关键部件运行的可靠性。研究结果能够为风力发电设备运维问题提供一定的帮助。