由于风电机组长期工作在恶劣环境中,且其内部结构复杂,尤其是核心部分齿轮箱内的传动部件经常会承受着交变载荷力,更容易产生一系列故障。齿轮箱一旦发生故障,整个风电机组的性能将受到很大的影响,造成维修费用的增加以及停机期间的效益损失。所以有必要对风电机组进行实时的振动监测与故障诊断。本文的研究对象是风电机组传动系统齿轮箱,主要研究内容有:1.总结目前已经提出的各种风电机组故障诊断方法并提出改进方向。引入深度迁移学习概念,确定了基于深度迁移学习的风电机组故障诊断方法的技术路线和研究方案。2.针对传统特征提取方法在风电机组齿轮箱振动信号受到背景噪声干扰下的故障特征提取困难的问题,提出了一种复合变分模态熵故障特征提取方法。该方法通过对原始信号进行变分模态分解,选择与原信号相关性较高的分量进行多尺度化分析,提取不同尺度下的模糊熵。复合变分模态熵能够有效抑制复杂的干扰噪声,在故障类型的识别中具有足够的可区分性。3.无规律的变向和变载荷风力作用导致了风电机组内部工况复杂,且很难获取大量带标签的风电机组振动信号数据。所以引入迁移学习概念,提出一种基于关联特征域适应的风电机组故障诊断方法。该方法通过最小化不同工况下风电机组振动信号特征样本集的数据分布差异,提升了故障识别正确率。4.针对传统迁移学习方法挖掘数据深层特征能力有限的问题,提出一种基于一维卷积神经网络域适应的风电机组故障诊断方法。该方法利用辅助工况下的振动信号数据特征通过一维卷积神经网络帮助学习目标工况下的振动信号数据特征,有效地解决了变工况下风电机组故障识别正确率低下的问题,并且通过实验验证了所提出方法的有效性。