齿轮箱是大型风电机组最重要的传动部件之一,它的健康状态直接决定着机组是否能够正常运行。风电机组一般工作在沙漠、野外、孤岛等恶劣环境下,齿轮箱是其故障率最高的部件,加强对风电齿轮箱故障诊断技术的研究,对于保证风电机组的正常运行,提高风电场的经济效益具有重要的意义。鉴于此,本文基于风电机组的运行数据,采用深度学习技术对风电机组齿轮箱故障技术展开研究,主要研究内容包括:(1)对行星齿轮箱的主要故障形式及形成机理进行了分析,在此基础上对典型故障情况下振动信号的时域、频域特征波形进行了研究,为故障诊断特征信号的选择提供了基础。(2)基于非线性阈值函数提出了一种改进的小波阈值去噪算法,解决了齿轮箱振动信号成分复杂、信噪比较低,影响故障诊断效果的问题。采用非线性曲线代替传统阈值函数中的线性曲线,一方面避免了硬阈值函数在阈值处存在不连续问题,另一方面克服了软阈值函数存在恒定偏差问题。(3)基于改进经验模态分解(EEMD)方法与时间序列提出了一种齿轮箱振动信号特征提取策略。所提出的特征提取策略改善了传统的EMD方法中存在的模态混叠和虚假分量现象;采用偏相关函数判断信号的时间序列模型,对高频本征模分量进行模型参数提取作为其特征向量。(4)将深度置信网络与遗传算法相结合提出了一种齿轮箱故障诊断算法。构建了深度置信网络诊断架构,采用遗传算法对网络参数进行优化。通过仿真结果与传统的BPNN、SVM等算法进行对比,结果表明本文提出的方法的准确性和有效性。论文所提出的方法及策略为风电机组齿轮箱故障诊断技术体系提供了新的解决方案。