随着风能在全球的应用与发展,风能需求量逐年增长,风场规模、风机尺寸也相应扩大。复杂风机使用过程的条件监控预警与故障诊断对于减小风机运行维护成本、保障电力系统稳定性有着至关重要的作用。而随着信息科技、大数据技术的快速发展,数据驱动、人工智能方法逐渐与传统工业质量监控与故障诊断方法相融合。如何利用上述架构为风机使用过程提供精准的故障预警诊断及解释性分析是一项很有意义的研究工作。本文研究基于风机运行状态及相关环境实况采集数据,在传统的基于概率性模式识别模型的风机故障诊断系统的基础上,提出了新的基于贝叶斯深度学习模型的风机条件监控与故障预警系统。由于传统贝叶斯深度学习模型推断成本较高实际推断效果不佳,并不适用于大规模工业型数据,因此本文采用近年利用dropout神经网络结合蒙特卡洛采样技巧的神经网络模型构建了故障诊断新系统。新系统不仅在诊断精确度上有所提升,同时由于融入贝叶斯特性,为诊断结果提供了可解释的不确定性分析与新的诊断决策选项,减小了误诊断风险。首先,本文对此次研究的研究背景、意义以及主要研究方向进行了介绍。详细分析总结了相关研究文献,主要包括近年风机子系统、风机整机体基于不同频率信号的条件监控与故障诊断完整架构以及方法、利用机器学习算法进行故障诊断模式识别的研究现状、贝叶斯机器学习模型的主要模型理论以及推断方法研究。分析了现有风机条件监控以及故障诊断研究的漏洞和缺陷,阐明了本文新的融合不确定性估计的故障预警新思路,并对全文进行了内容提要和框架总结。其次,本文对贝叶斯机器学习模型的一般推断性过程进行了阐述,总结了通过Monte Carlo Dropout神经网络产生与贝叶斯神经网络相同效果不确定性的相关理论和推导过程。第三,本文对贝叶斯机器学习模型的一般推断性过程进行了阐述,总结了通过Monte Carlo Dropout神经网络产生与贝叶斯神经网络相同效果不确定性的相关理论和推导过程。利用实验示例数据对于以不同蒙特卡洛变分推断方式、不同模型架构获取神经网络模型以及高斯过程模型的推断不确定性质量进行了量化对比研究。在认知不确定性的基础上分析了结合异质偶然不确定性对于输入数据噪声问题的意义以及影响。第四,本文通过风机实际监督控制和采集数据,利用第三部分提出的故障诊断以及不确定性建模方法分别建立了基于蒙特卡洛Dropout神经网络和高斯过程分类器的故障诊断系统。在进行特征相关性分析、预测性故障诊断研究的基础上,利用所获得的模型认知不确定性和异质偶然不确定性提出了故障诊断“拒绝”选项的概念。即通过建立新的R-Accuracy准则使得诊断系统对于诊断不确定性较高、超出训练集故障范围的新样本做拒绝处理,从而减小了误诊断风险。第五,在前文关于深度贝叶斯模型及相关推断方法研究的基础上,对于多元类别数据提出了新的基于深度高斯过程模型的数据分布估计生成式模型。对于核函数通过融入噪声参数的方式减小了变分推断模型参数数量,而结合蒙特卡洛再参数化推断方法的变分推断架构对层级变量之间相关性的处理有所改善。新提出的多元类深度高斯过程模型性应用在风机的不确定性故障诊断中,部分性能指标相较Monte Carlo dropout神经网络模型有所提升。