大量化石能源的使用带来了环境污染问题。风能作为可再生能源受到越来越多的关注,风力发电在发电领域的渗透率不断上升。考虑到风机常年运行于恶劣的环境中,各个部件都会或多或少出现故障。因此,有必要对故障进行准确的诊断,建立高效的风机诊断与隔离系统。提高风力发电技术的稳定性和可靠性。基于数据驱动的诊断方法能减少对物理模型的依赖,通过对历史数据的特征挖掘实现故障的有效诊断。本文以风机基准模型为研究对象,建立一个基于深度学习的故障诊断机制,实现了对风机单故障以及多故障的有效诊断。本文首先对风机的主要组成部分进行了简要的分析,总结风机各个系统的功能及其出现的常见故障,并建立各个系统的数学模型,从而在Matlab/Simulink仿真平台中建立起一个风机基准模型。并通过设定相关的故障,进行故障数据的获取,为后续的工作提供数据支撑。其次,由于数据驱动算法是一个复杂繁琐的工程。为此本文建立起一个端到端的深度学习框架,包括数据预处理、模型的选择、超参数自动优化等功能,很大程度上减少了工作量。由于本文以数据驱动为核心,因此需要对原始的仿真数据进行相应的处理。在数据预处理部分通过降噪,缺失值处理,数据均衡化处理等方法提高数据的质量。通过超参数自动调参,实现网络的有效优化。然后,在建立起风机基准模型与深度学习框架的基础上。本文提出了通过一维卷积网络与降噪自动编码器的风机单故障诊断模型。一维卷积网络能对序列数据特征进行并行提取,对于单故障的诊断有着较好的效果。同时,引入降噪自动编码器,对原始序列数据进行有效的降噪,极大程度上提高了模型的鲁棒性。最后,考虑到风机系统可能出现的多故障情况。提出一种基于注意力机制的序列生成模型。序列生成模型通过对多个风机传感器的数据进行特征挖掘,并通过生成一段包含可能故障的序列来实现对多故障的诊断。通过与其他多标签算法的比较,证明了本文所提模型的有效性。