风力发电机长时间运行在恶劣的环境中,故障频发。故障预警方法可以持续监测风机部件的运行状态,及时发现异常部件,以防止异常部件发展到故障状态。但是强烈的背景噪声和故障信号本身的波动常常掩盖异常状态信息,使得传统方法无法进行有效的故障预警。因此,本文通过研究风电机组的智能故障预警方法,旨在维持风电机组的安全稳定运行,具有重要的理论意义和工程价值。首先,设计一种基于改进的深度残差网络(T-ResNet)智能故障预警方法。该方法针对风机数据开发一种新的编码方式,将正常风机的历史数据输入到新设计的T-ResNet网络中。由此,通过逐层训练提取正常部件的代表性特征,建立故障预警指标的预测模型。然后,通过计算故障预警指标预测值和观察值之间的残差,检测部件的异常状态。此外,在推进基于深层神经网络的故障预警方法在风机中的工程化应用方面,进一步提出应用迁移学习算法减少网络建模时间和建模硬件要求。同时,采用滑动窗口方法产生预警信号,减少在实际现场中由于短期极端条件而引起的误报警。其次,针对原始信号中存在的噪声信号和模型对秒级数据拟合能力不足等问题,进一步改进上述故障预警方法,设计一种基于改进深度密集连接卷积网络(T-Vector-DenseNet)的智能故障预警方法,建立一种更高效简练的智能故障预警系统。该方法使用变分模态分解(VMD)算法过滤高频噪声等干扰信号,滤波后的信号输入到T-Vector-DenseNet网络中,用于故障预警指标预测。T-Vector-DenseNet网络借助于定制化设计的密集连接块及其线性卷积核结构,实现高效提取正常部件的代表性特征和故障预警指标的秒级监控,并且大大减少建模所需的训练集大小和训练时间。最后,将上述两种智能预警方法应用于实际的风机齿轮箱故障数据中,验证方法的有效性。