风能是一种绿色可再生的新型能源,促进风力发电行业的健康发展已成为我国碳中和进程中重要的一环。大量的建设资金涌入大容量风力发电机组的生产、安装与运营中。而在早期高速发展时期服役的风电机组的运行时间累积增长,逐渐超出风电机组生产商承诺的免费售后服务期限。国内的风场运维服务主要处于初期的被动维修阶段,以传统的巡查检修和备品备件为主,均以事后维修为主。为了降低风场的运维成本,对风场进行智能化运维成为风电行业关注的热点。风机必须具备很高的可靠性,才能实现长期稳定的电力输出。目前,为了更加有效地监测风电机组健康状态,布置在风电机组上的监测传感器愈发密集、监测量类别日益丰富,采集到的状态参数规模日益增长,这些数据规模量的增长为大数据时代下的进行实时把控风机运行状态并提高风场自动运维工作的展开提供了强有力的支持。风机安装在野外风场几十米甚至上百米的机塔上,风电机组的塔舱常年暴露在风霜雨雪与沙尘、暴晒等自然环境下。并且风机叶轮受到不规律风速与载荷的影响,进而加速风机内部各种部件的性能退化。齿轮箱是风电机组传动链上的关键部件,其故障占比率在所有重要部件中相对较低,但是其维修费用与停机时间占比在所有部件中较高,因此有必要对其进行健康状态监测。利用深度卷积神经网络可以从齿轮箱监测数据中自适应提挖掘出表征其状态的判别性特征。然而,风机齿轮箱具有故障特征微弱、工况变化、少标签样本以及多风机信息融合难等问题,直接利用卷积神经网络难以对风机齿轮箱的健康状态进行有效的辨别。本文针对风机齿轮箱振动信号的固有特点,并结合风场运维收集到的一定量的有标签振动数据样本信息,利用深度卷积神经网络的自适应特征提取的特点,先后提出动态加权密集连接网络、多密集块中心矩差异深度领域自适应网络和多源深度领域自适应网络的风机齿轮箱故障诊断方法,从不同层面解决风机齿轮箱故障辨识过程中的难点。全文的主要研究内容如下:（1）针对振动信号特征微弱,研究基于小波包分解和密集连接网络的故障辨识方法。首先对齿轮箱的原始振动信号进行小波包分解,得到二维的小波包系数原始特征图。然后利用密集连接网络从原始特征图中自动化地学习判别性特征集,最后进行故障状态的辨识。该故障辨识方法的成功应用为后续的深入研究提供了支持。（2）针对风机运行在变工况下,风机齿轮箱内的转速与载荷均有较大幅度的波动导致不同时段采集的振动数据特征变化差异的问题,提出动态加权密集连接网络的风机齿轮箱故障辨识方法。首先用小波包分解处理原始振动信号,然后在密集连接网络内部设计动态加权模块,通过该模块自适应地调整特征图中不同子频带特征信息的权重,增强密集连接网络对变工况下的振动信号中判别特征的挖掘能力,提升密集连接网络模型对变工况下齿轮箱的故障辨识效果。（3）针对风场难以收集足够多的有标记故障数据集,导致密集连接网络模型只有较少的有标签训练样本而难以启动训练的难题,提出基于多密集块中心矩差异的深度领域自适应的风机齿轮箱故障辨识方法。该方法在利用密集连接网络进行自适应特征提取的基础之上,引入中心矩差异领域自适应对源域大量标签样本与目标域的少量标签样本进行适配,综合利用大量有标签的振动数据的源域风机齿轮箱的信息辅助,迁移到只有少量振动数据有确定标定的目标域风机齿轮箱上进行故障辨识,降低了密集连接网络对目标域风机的大量标签数据的需求,提升了模型的泛化能力。（4）针对有标签的振动数据集来源有多个源域风机的情况,提出多源深度领域自适应的方法迁移多个源域风机齿轮箱有标签振动数据的特征信息到目标域风机齿轮箱中进行齿轮箱故障辨识。该多源深度领域自适应方法将多个源域风机齿轮箱的振动数据特征信息迁移到目标域风机进行齿轮箱状态识别,在此过程中不但要适配每对源域风机的振动样本与目标域风机的振动样本的分布,还要抑制多个源域风机之间的振动数据分布差异,最终实现多个源域风机齿轮箱振动数据的特征信息有效迁移,实现目标域风机齿轮箱无标签振动数据情况下齿轮箱故障辨识。最后概况了全文的工作重点并启发后续的研究方向。