风机作为国家能源战略中重要的组成部分,是衡量国家能源战略、提升可再生能源利用水平的重要标志。在大量风机进行市场后,风机的运维管理服务将进入爆发期。据统计,2021年针对风机故障维护的市场份额预计将超过300亿元。随着风机不断向复杂化、信息化和智能化方向发展,风机的运行过程将会产生大量的实时状态数据。这些海量的状态检测数据蕴藏着可用于风机智能故障管理的价值信息。目前,基于深度学习的故障诊断方法成为了当前风机智能故障管理的重要技术手段。本研究针对风机故障管理面临的挑战和现有研究中的不足,依次展开面向非标签数据、非平衡数据、少样本数据的智能故障诊断方法研究。主要研究内容如下:首先,针对面向非标签数据的智能故障诊断问题,提出了一种等高密度搜索聚类算法。该算法无需提前定义类簇中心数量,可对任意形状的数据进行快速聚类且对数据具有一定的“抗噪”能力。通过人工合成数据和风机齿轮箱信号数据验证了该算法的有效性和实用性。采用工业风机的轴承故障数据对算法进行实例研究,结果表明该算法可以准确检测轴承运行过程中出现的故障以及故障随时间的变化情况,提供了可用于监控轴承运行状态的故障模式阈值表和故障模式发展关系图。然后,针对面向非平衡数据的智能故障诊断问题,提出了一种改进生成对抗神经网络模型。该模型在保留数据增强功能的前提下增加了故障分类预测功能。模型的优化过程充分考虑了合成数据对故障诊断结果的影响。通过工业风机叶片结冰故障数据展开实例研究,取得了较好的分类预测效果。在模型优化方面,Nadam算法对模型的优化效果优于Adam、RMSprop、SGD和Adagrad算法。其次,针对面向少样本数据的智能故障诊断问题,提出了一种基于自动编码器的胶囊网络模型。该模型在传统自动编码器的结构中引入“胶囊”网络结构,可以有效提取少样本数据中的平面特征和空间特征。模型的损失函数主要考虑了由输出数据和输入数据之间的差异和故障预测结果与实际故障标签之间的差异。采用多工况下的风机轴承故障数据进行实例研究,结果表明该模型可以有效预测多工况下的风机轴承故障。与其他少样本学习方法相比,该模型在计算成本和计算精度方面都有一定的优势。最后,根据上述研究成果,分别从故障管理功能模块和功能实现路径两个方面介绍了风机智能故障管理的过程,并通过风机叶片结冰故障进行了案例分析。综上所示,本论文围绕风机运行过程中的非标签数据、非平衡数据和少样本数据,提出了面向这3种数据状态的智能故障诊断方法,构建了风机智能故障管理功能模块,阐明了实现这些功能模块的路径,拓展了深度学习在风机智能故障领域的应用,对改善风机运行环境、提高风机运行效率、提升风电企业的综合竞争力具有重要的指导意义。