风力发电机是风电行业最重要的生产设备。“十二五”以来,我国大力支持开发大型风力发电设备,使得风力发电机(以下简称“风机”)得到了迅猛发展,但风机发生故障的概率也随之增加。加强对风机运行状态的监测和故障诊断,对于提高该设备的运行可靠性、减少风机停机造成的经济损失具有重要意义,也是工业工程领域研究的热点问题之一。而一个准确、稳定的故障诊断模型能够为设备的健康管理提供可靠的数据支持,帮助企业及时排除故障,延长设备的使用周期,降低生产成本。因此,本文将风电行业作为研究背景,以风机的齿轮箱为研究对象,来构建一个更加有效的风机齿轮箱故障诊断模型,帮助企业提高设备维护管理效率和最大化企业的经济效益。风机由风能驱动,而自然环境中的风向和风速是时刻变化的,风机齿轮箱的运行状态随风速变化,采集到的振动信号容易受到风机运行条件和环境的干扰。许多现有的关于风机故障诊断的文献中,同一种故障状态下的训练数据主要采集自同种运行条件下的振动信号。针对这个问题,本文提出了一种新型的深度流形学习网络,即栈式流形自编码器(Stacked Manifold Autoencoder,SMAE),用于风机齿箱的故障诊断。首先,为了采集到更可靠、更准确的设备信息,本文通过多个位置的加速度传感器来采集振动信号。接着,采用快速傅里叶变换(Fast Fourier Transform,FFT)将原始得时域振动信号变换到频域。最后,将频域信号直接输入到本文所提出的SMAE深度网络进行故障诊断。SMAE是一种结合了深度学习和流形学习的改进方法。通过将流形学习t分布随机邻域嵌入(t-distributed stochastic neighbor embedding,tSNE)的目标函数引入到标准的SAE(Sparse Autoencoder,稀疏自编码器)中,来进行参数更新,再采用栈式结构来构建深度网络。通过流形学习损失函数的使用,降低了网络输入层和隐藏层的概率分布差异,使得隐藏层能够更多地保留输入数据的信息。最后本文采用所提出的风机故障诊断模型对风机齿轮箱在多运行条件下的健康状态进行诊断,并将实验结果与近几年提出的同类故障诊断方案进行比较。实验结果证明,本文所提出的方法具有更好的鲁棒性和准确度。