近年来,全球风电产业发展迅猛,风电机组装机容量持续增加。然而,伴随着风电的持续快速发展,在役的风电机组故障却不断涌现,运行效率低、寿命短、故障率高、可靠性差等问题日益突出,高昂的维护费用和停机损失严重影响了风电场的经济效益。因此,风电机组运行状态监测与故障诊断已成为风电产业稳健快速发展迫切需要解决的关键技术问题之一。随着状态监测技术在风电设备中的广泛应用,在风电机组运行过程中会产生蕴含设备状态信息的海量监测数据,如何从复杂的状态监测数据中提取和挖掘表征设备故障的有效特征信息,实现风电设备关键部件与系统的早期故障检测与智能化诊断,成为风电领域状态监测技术的研究热点和难点。本课题立足于当前风电设备监测诊断应用技术需求,从状态监测数据出发,利用透过现象把握本质的哲学思想,基于信号处理和机器学习领域内的最新理论技术——排序模式分析与深度学习,通过挖掘监测数据内蕴含的潜隐或深层设备故障特征信息,研究面向风电设备的健康监测与智能诊断新方法,旨在实现机组关键部件及其系统运行状态的有效监测、准确评估与智能化诊断。主要研究工作如下:(1)以风电轴承为研究对象,为捕捉系统早期故障时信号特征的微弱变化,揭示体现其状态变化的动力学规律及特点,从时间序列相似性分析角度出发,结合信息散度和排序模式分析方法提出排序信息散度指标,量化分析系统当前运行状态与健康参考状态间振动信号在高维相空间中排序模式概率分布的差异性。通过轴承内圈损伤程度评估和全寿命退化性能评估实验,对提出的排序信息散度指标的有效性进行了验证,并与传统的时域统计指标及复杂度指标进行比较。(2)以风电齿轮箱对研究对象,为解决传统故障诊断中手动提取特征的局限,研究基于堆叠去噪自编码器的频域故障特征自学习和诊断方法。首先,针对现有堆叠去噪编码器模型中单一去噪水平特征学习能力不足的问题,设计一种新的多水平去噪策略,旨在捕获输入信号中蕴含的全局和局部特征。进一步,提出基于堆叠多水平去噪自编码器(Stacked Multilevel-Denoising Autoencoders,SMLDAE)的深度学习模型结构,并构建相应的故障诊断系统,实现齿轮箱不同状态的故障特征自适应提取和分类诊断。通过建立风电传动试验台,模拟齿轮箱不同故障状态并采集相应的振动数据,来验证所提方法的有效性。(3)针对风电齿轮箱时域振动信号的固有多尺度特性及传统卷积神经网络特征提取能力的不足,提出一种新的多尺度卷积神经网络(Multiscale Convolutional Neural Networks,MSCNN)结构,从不同时间尺度上捕获时域振动信号的互补故障特征信息。进一步,设计基于MSCNN的端对端故障诊断系统,直接建立时域信号与状态标签之间的复杂映射关系,同时实现故障特征的自适应学习和分类诊断。最后,通过风电齿轮箱实验数据分析,对提出的MSCNN方法的有效性进行验证,并与单尺度CNN、传统多尺度特征提取方法进行对比分析。(4)针对风电机组SCADA数据的非线性与多变量时空相关性,且考虑测量噪声和随机不确定因素的影响,将滑动窗技术和去噪自编码器方法有机结合,构建一种新的风电系统多变量故障检测模型——滑动窗去噪自编码器(Sliding Window Denoising Autoencoder,SW-DAE)。利用SW-DAE对机组正常运行数据进行建模分析,旨在同时捕获不同传感器变量之间的非线性相关性和单个变量自身的时序相关性,以提高故障检测性能。最后,通过风电系统仿真模型和风电场SCADA实测数据分析对提出的SW-DAE故障检测方法进行性能评估。