如今,风能以常规能源的形式与火电、水电相提并论,是世界范围能源的发展趋势所在。风电机组工作环境不如火电、水电,更易受到恶劣天气影响,各部件的疲劳强度等性能会不断劣化,导致故障发生,特别是海上风电,故障维护需要海上吊装等重大设备,需要大量人力物力。对风电场关键部件故障检测能及时发现潜在故障特征,降低故障率,减少运行维护成本。监控与数据采集(Supervisory control and data acquisition,SCADA)系统是全风场风电机组监控和数据采集系统,持续的采集机组传感器的数据,其中蕴藏着机组运行状态的相关信息。主轴作为风电机组的主要子部件,具有年平均故障率较高、平均故障停机时间长的特点。因此本文以主轴为例设计了时域变点,时频变点、基于循环神经网络的参数级故障预警,基于深度置信网络的系统级别故障预警四种对SCADA系统中的设备故障预警的方法。首先对主轴温度数据的变点进行检测,在时域上,采用累积和(Cumulative Sum,CUSUM)算法检测主轴温度的变点。CUSUM控制图在时域进行变点检测,可能会出现误判漏判,从而变点位置检测不准的情况,需要时域结合一起进行变点检测,本文采用集合经验模态分解(Ensemble Empirical Mode Decompositi on,EEMD)对时间序列进行时频分析检测主轴温度的变点,作为CUSUM控制图在变点检测上的补充。主轴温度的变点检测没有用到其余相关变量的特征,因此采用循环神经网络(Recurrent Neural Network,RNN)提取风机主轴正常运行时相关变量的特征,建立预测模型,预测未来的主轴温度,采用滑动窗口法求取预测残差,当主轴温度超温时,残差超过手动阈值,从而引发报警,这属于参数级别的故障预警。然而主轴超温可能由于别的变量如舱外温度的变化导致,或者别的变量异常如前轴承或后轴承温度异常导致主轴系统故障。因此不能只监视主轴温度这一个数据,因此采用深度置信网络(Deep Belief Network,DBN)建立系统多输入和多输出之间的关系,建立系统级别的主轴健康度诊断网络。考虑参数变化趋势和参数空间距离两方面,构建参数的故障样本和对比样本之间的相似度函数作为故障发生的概率,然后利用概率融合算法,D-S证据融合的方法确定4种故障诊断方法的基本信度函数,共同检测主轴的超温故障,提升故障预警的准确度。本文以某风电场实际运行的1.5MW并网风电机组SCADA系统数据为基础进行仿真,验证了该方法的可行性,采用时频分析方法诊断主轴故障,能及时发现主轴早期故障,并有效减少误报和漏报现象,这对风电场关键部件的故障预警提供了 一种新的解决方法。