随着全球经济的迅猛发展,世界对于能源的需求也在日益加大,传统的石油、煤炭等能源已日趋递减,后续储备有限,并且对环境的负面影响很大。近年来,世界各国都在积极寻求新能源,其中风能以其绿色、环保、可再生等优点,被各方重点关注。进而风电机组的装机量逐年增大,并由陆地逐步向风能更为丰富的海上发展。不过随着风电行业的快速发展,各种问题也更加凸显出来。例如,随着机组在役的年限增加,其对风能的利用率低、可靠性差、故障频发、维护费用高。因此,在机组运行时,对其进行状态监控、故障预警等运维工作,及时对相关部件进行维护保养,对于风电行业的稳健发展,具有重要的意义。在大数据、信息化、智能化盛行的当下,如何更好得利用风电机组运行过程中产生的海量数据,挖掘数据的状态信息,为每个机组量身定做合适的运维模型,成为风电领域状态监测技术的研究热点和难点。本课题从风电设备故障诊断的需求和问题出发,通过较为深入的分析机组运行的状态和数据特点,基于深度学习中的长短期记忆网络模型,对传动系统关键部件的故障预警展开研究,旨在实现对机组的状态监控和故障预警。论文的主要工作如下:(1)对机组传动系统的关键部件的运行原理和故障发生的类型、原因进行分析,确定以SCADA数据作为搭建模型的数据来源,并对其特点进行归纳总结,为后续的研究方法奠定基础。(2)将齿轮箱的油温故障作为研究对象,研究基于长短期记忆网络的齿轮箱油温故障预警方法。首先,针对SCADA数据的时序相关性,构建长短期记忆网络模型;然后,通过训练筛选出的健康数据,重构齿轮箱油温,建立无监督模型;最后,在线监控齿轮箱数据,当重构误差超过阈值时,进行故障预警。该模型的意义一方面重视数据在时间维度的相关性,另一方面是通过无监督的手段构建模型,解决了因缺少故障数据造成数据不平衡的问题。(3)进一步分析SCADA数据的特点,对SCADA数据进行特征的挖掘,研究基于长短期记忆网络的叶片开裂故障预警方法。首先,一方面,如上文所述,SCADA数据存在时序相关性;另一方面,机组在运行时工况是随时变化的,并且在不同工况中各维特征对最后结果的权重是不同的。针对这两方面的特性,设计一种既能根据工况的不同动态的改变各维特征权重,又能获取数据的时序相关性的网络模型。通过使用经过标记的叶片开裂数据训练模型,实现对叶片开裂的故障预警。最后,通过采用实际的数据和不同的方法验证模型的有效性。(4)针对风电机组传动系统构建故障预警模块,以GUI界面的方式实现模型的数据预处理、模型训练和模型测试几个功能。一方面,对文章所提的方法进行了进一步的验证;另一方面,以GUI界面的交互方式更加直观、方便的对模型进行二次训练和测试。