风能作为一种可再生能源越来越受到重视,风力发电得到大力推广和发展。由于风电机组通常运行在恶劣环境条件下造成机组关键部件损坏严重,特别是变桨系统故障频发。由于风电机组的日趋大型化、结构复杂化以及安装地点偏远化,造成风电机组维护成本高,严重影响风电企业运行效益。另一方面,由于状态监测与采集系统的广泛应用,风电机组在运行的过程中产生海量运行数据,为风电机组的状态监测与故障诊断创造良好的条件。但应指出的是,故障历史数据占海量运行数据的比例较小,给风电机组关键部件的故障诊断带来新的难题。本文以风电机组故障频发的变桨系统为例,提出基于小样本学习的故障诊断策略,采用基于马氏距离原型网络建立变桨系统故障诊断模型。具体的研究内容如下:（1）在阐述风力发电的工作原理、说明了直驱式风力发电机基本组成及特点的基础上,具体描述了变桨系统工作原理,分析了变桨系统的变桨角度故障、变桨转矩故障和变桨电机故障;（2）针对风电机组变桨系统故障诊断问题,建立故障树分析变桨系统故障根源,在此基础上,提出基于马氏距离原型网络的故障诊断方法,通过对每一类训练样本的嵌入函数取均值得到类原型,对比测试样本与每类原型之间的马氏距离进行分类,并采用Adam进行网络的参数优化。以美国西储轴承数据集为例,验证所提故障诊断模型的有效性;（3）利用东北某风场实际运行数据进行变桨系统故障诊断模型的对比分析。采用主元分析进行故障诊断模型的特征选择,通过长短期记忆神经网络进行变量的重构,将上一章所提的马氏距离原型网络对比匹配网络、原型网络和MAML等几种小样本学习方法,其中马氏距离原型网络在10way-5shot上的准确率达到96.16%,验证所提出的故障诊断方法的准确性。进一步对比欧式距离、曼哈顿距离、余弦距离和相关距离,分析了马氏距离的优越性。结果表明本文所提出的基于马氏距离原型网络的变桨系统故障诊断模型具有较高的故障分类精度。