据国家能源局最新统计,截止2018年底全国风电累计并网容量约1.84亿千瓦。预期到2020年末,风电累计并网装机容量将达到2.1亿千瓦以上。随着风电、光伏发电无补贴平价上网的推行,这一政策性的调整迫使整个风电行业必须从自身健康运行出发来增加企业效益。风电机组传动链是能量转换必不可少的环节,主要包括轴承和齿轮箱,其作为整机关键部位对风机健康运行有着至关重要的意义。根据现有故障数据统计风电机组传动链的故障造成的停机时间最长约占80%,主要是齿轮箱和轴承故障。因此,开展对风电机组关键部位的早期故障预警和故障诊断对整个行业的发展具有实际应用价值。首先,统计风电机组产生的数据类型及大小,梳理风电机组的生产运行数据、生产管理数据、现场监控视频等结构化及非结构化的数据。利用开源的Hadoop中的HDFS作为底层分布式文件系统,以HBse为数据库、Hive为数据仓库,ZooKeeper提供协调调度,建立风电机组大数据存储与管理系统。其次,针对传统阈值报警在报警时故障早已发生,造成的损坏已不可逆且存在错报和误报,提出构建基于大数据的故障预警系统。通过对大数据存储系统抓取的大量历史监测数据进行分析,在前期对样本数据进行正态分布的验证,进一步进行Beta分布的拟合,然后通过对预估的概率密度函数的参数寻优求得其形状参数,最后利用自学习阈值的智能算法来确定专家知识库,从而完成对基于大数据的故障预警系统的构建。在整个过程中综合考虑转速、风速、输出功率等因素相关性,实现对风机运行状态的实时监测。最后,针对传统时频分析和浅层神经网络对故障信号分解和故障特征提取能力有限且非线性表达能力差的问题,提出利用深度学习较强非线性表征能力且能自动提取故障特征的特性,构建卷积神经网络的特征提取模型。同时将模糊理论应用于多分类器来设计一个模糊多分类器来实现对特征状态精细化的识别,使用实验模拟的故障数据来训练整个模型进而得到模型参数,最终实现对故障类型和故障程度的精确诊断。