随着“工业4.0”、“中国制造2025”等概念的提出,我国加快推进以智能制造为核心的工业战略。在机械领域,风力发电机设备正在朝着高精、高效方向发展。伴随着数据采集与存储技术的不断发展,海量数据推动了故障预测进入“大数据+智能”时代。传统的故障预测方法很难对低密度、多样性、时效性的海量数据进行处理与分析。而深度学习算法因其多层非线性的映射能力,相较于传统技术,更能够自适应的提取和挖掘数据更深层次的内部特征,智能识别风电机组的异常征兆信息,实现基于状态的智能维护管理。本文以风力发电机为研究对象,开展以下具体研究。基于深度学习的风力发电机叶片结冰故障预测。运用深层网络对原始不平衡数据进行特征提取,并以集成分类器的强分类能力对提取的特征进行故障识别。创新性将其模型运用到叶片覆冰故障预测工程实例中,结果表明,经过深度受限玻尔兹曼机的特征学习,集成分类器的故障识别性能显著提高。而经过卷积神经网络和循环神经网络的特征学习的故障识别性能反而有所下降。基于深度学习的齿形带故障演化预测。齿形带从正常运行状态到完全失效状态是其故障演化的一个缓慢过程。通过卷积神经网络的自适应提取和识别演化过程的状态参数,可以实现故障严重程度演化的预测。将模型应用到齿形带故障演化预测工程实例中,结果表明该模型能够有效识别齿形带的各阶段故障状态。基于深度学习的齿轮箱故障预测。首先,以各工况参数与风力发电机齿轮箱输出轴温度之间的相关关系为切入点,结合互信息理论,筛选出主要相关工况参数;其次,运用最适合处理时间序列问题的循环神经网络对输出轴温度趋势进行预测,然后根据残差分布,计算出故障预警阈值。通过对实测某风电场数据的研究,结果表明该模型能准确预测输出轴温度的趋势,并根据阈值实现早期的故障预警。