风机关键部件的故障检测作为风电场智能化管理的重要环节,能够提高风电场的生产效率、降低运营成本,是当前科研领域的一个热点问题,受到各国研究者的广泛关注,并提出了各种风机故障检测方法。研究发现目前的风机故障检测方法仍存在以下问题:（1）风机数据集类别不平衡导致风机故障检测模型训练时偏向大类别样本,使模型效果不理想;（2）现有风机故障检测模型特征学习能力单一,不能充分利用多层级的特征信息,导致模型性能较差。为了解决上述问题,本文对风机齿轮箱故障检测问题进行了研究,主要研究内容和贡献如下:（1）针对风机数据集类别不平衡的问题,提出一种堆叠的生成对抗网络（Stacked Generative Adversarial Networks,Stack-GANs）方法,在生成新样本时综合考虑了风机数据特征的相关性和时序性。Stack-GANs方法通过一种渐进式的方式生成数据,保持特征间的强相关性和弱相关性,且利用循环神经网络构建各阶段生成对抗网络（Generative Adversarial Networks,GANs）中的生成器和判别器,捕获数据间的时序特性,同时采用随机森林算法筛选出重要度高的特征,降低Stack-GANs模型的构建难度、提升模型训练速度。Stack-GANs共分为2个阶段:阶段一根据Pearson相关系数和最大互信息系数的分析结果,分组训练GANs,各GANs学习组内特征的强相关性,并生成相应分组的特征子集。阶段二将阶段一生成的各组特征数据拼接后作为输入,并修正各组间特征的弱相关性,生成高仿真的少数类样本数据。通过与现有的数据不平衡处理算法进行对比,实验结果表明Stack-GANs方法可以有效生成更真实的风机故障数据,使风机故障检测模型更好的学习故障数据的特征分布,从而提高模型的整体检测性能。（2）针对现有的风机故障检测模型特征学习能力单一的问题,构建了一种融合线性神经网络、压缩交互网络和长短期记忆网络的风机故障检测模型LCL。LCL模型具备低阶特征、高阶交叉特征和时序特征的学习能力,相比于单一结构的神经网络模型,可以从多层面、多角度对风机数据特征进行探索,并充分挖掘有效信息提升模型的检测性能。实验结果表明,相较于其他先进的风机故障检测方法,LCL模型在各项评价指标上均获得最优值,能更好的满足风机故障检测领域的应用需求。