随着风电行业的迅猛发展,对风电机组可靠性的要求越来越高。齿轮箱是风电机组传动系统中广泛应用的重要传动部件。在实际运行时,风电齿轮箱承受动态重载负荷,运行环境复杂,导致轴承等零部件容易发生故障。开展面向风电齿轮箱故障诊断技术的研究,对于提高风电设备的安全性和可靠性,降低维护维修费用具有重要的理论意义和应用价值。本文主要研究了基于深度学习的风电齿轮箱故障诊断技术,主要研究工作如下:首先,分别对传统故障诊断方法和深度学习方法在故障诊断领域中的应用进行分析,研究风电齿轮箱故障诊断所存在的问题,并具体分析了基于信号处理的故障诊断分类算法和基于模式识别的故障诊断分类算法的特点。在深入研究几种典型深度学习算法原理的基础上,分析和探讨不同超参数下深度学习算法的故障诊断能力,研究不同超参数对网络的影响结果。其次,针对去噪自动编码器在小样本数据集中特征提取能力不足的问题,分析去噪自动编码器基本理论,研究了一种数据预处理新方法,为了更好地引入随机性,在相邻样本之间重复利用数据点。通过超参数递减的方式优化网络中超参数的选取方式。通过分析L1正则化和L2正则化各自的优点和不足,将两种正则化方法相结合来增加网络的稀疏性和提高网络的泛化能力。利用去噪自动编码器强大的特征提取能力和K最近邻算法的简明性,将提取到的深层特征直接应用于K最近邻算法中,提高了故障识别率。最后,针对卷积神经网络训练过程中收敛速度较慢的问题,提出了一种自适应正则化系数的方法并将其应用到卷积神经网络中,使正则化系数变化值与损失函数梯度值呈反比关系,且正则化系数的调整可以根据随机梯度下降法中当前迭代目标损失函数的梯度值自适应更新。实验结果表明,基于自适应正则化系数的卷积神经网络降低了网络训练所需要的时间,提高了故障诊断准确率。