火力发电伴随着能源消耗和环境污染的危机,因此利用可再生的清洁能源发电成为时代主流。在时代浪潮的推动下,清洁高效的风力发电迎来飞速发展。齿轮箱在风电机组中扮演着极其重要的角色,但也是发生故障最多的部件之一,它的工作状态直接影响风电机组的寿命。齿轮箱安装在风电机组的塔顶,当发生故障时,维修的困难造成维修成本很高,因此开展风电机组齿轮箱的剩余寿命预测研究,对提高风电机组使用寿命和降低维修损失具有重大意义。论文针对传感器从齿轮箱试验平台所采集的可以表征齿轮箱退化状态的振动数据,提出应用深度学习的预测方法,根据故障阈值进行齿轮箱剩余寿命预测。主要研究工作如下:(1)提出卷积神经网络和长短期记忆网络集成模型预测剩余寿命的方法。集成模型采用卷积神经网络从数据角度出发,自动提取齿轮振动加速度信号特征,改善传统寿命预测方法中人工特征对结果产生的影响;再利用参数选择和优化等内容改进长短期记忆网络,使它具备更好的能力处理长间隔或长延迟的时间序列,从而预测齿轮箱的剩余寿命。并通过试验验证该方法的有效性。(2)提出多传感器数据融合预测剩余寿命的方法。由于单一传感器测量范围有限,多传感器可以采集到更加全面、有效的反应齿轮运行状态的信息,因此,该方法将卷积神经网络与数据融合理论相结合,将多个传感器采集的齿轮振动加速度信号和噪声信号进行数据融合,提高模型预测剩余寿命的准确度,并且验证了该方法的有效性和可行性。