风电齿轮箱轴承长期工作在变速变载的恶劣工况下,其运行状态直接影响着风电机组的正常服役。同时,由于风电齿轮箱轴承等关键部件加工复杂、采购周期长,风场通常需要提前采购并预备备件以确保正常持续的生产。因此,全面准确地评估风电齿轮箱轴承的健康状况,可以为制定合理有效的备件制作计划和检修计划提供可靠的依据,在保证机组安全可靠的前提下,能够最大限度地发挥轴承的作用,降低风场维护成本。风电齿轮箱轴承的健康评估主要是根据监测信号辨识轴承当前的状态,预测其性能退化趋势和剩余使用寿命。目前,基于数据驱动的健康评估方法常采用多域特征融合来更加全面的表征轴承的性能退化过程。由于风电齿轮箱轴承运行工况复杂多变,退化过程呈现非线性。传统机器学习模型结构简单、提取深层特征能力差,不能有效的融合轴承的退化特征。深度学习具备强大的深层特征提取和非线性拟合能力,在风电机组智能维护领域体现出巨大潜力。因此,本文利用深度学习融合多域特征,开展了以风电齿轮箱轴承退化趋势预测和剩余寿命预测为主要内容的健康评估方法研究。论文主要的研究内容如下:（1）获取风电齿轮箱轴承全寿命样本较为困难时,针对其退化过程非线性、退化特征选取困难的问题,提出了基于自编码器（Autoencoder,AE）和门限循环单元（Gated Recurrent Unit,GRU）网络的风电齿轮箱轴承退化趋势预测方法。首先,提取轴承振动信号多域高维特征集,利用单调性指标和斯皮尔曼相关系数组成的特征综合评价值筛选性能较好的特征;然后,采用AE融合高维特征集,获得表征轴承退化过程的非线性特征;最后,利用GRU神经网络高效处理时间序列信号的优点,基于嵌入理论和长期迭代方法实现风电齿轮箱轴承的退化趋势预测,掌握了轴承未来时刻的健康状况,避免轴承发生灾难性破坏。通过实验验证和实例分析证明了所提方法的有效性和准确性。（2）风电齿轮箱轴承全寿命样本较充足时,针对预测时失效阈值难以确定,多退化特征对模型的贡献程度不同的问题,提出了注意力机制融合多域特征的风电齿轮箱轴承剩余寿命预测方法。首先,利用相对均方根监测指标确定轴承的初始衰退点,将轴承全寿命周期划分为正常期和衰退期两个阶段;然后,利用一维卷积神经网络自动提取轴承的退化特征,并使用注意力机制融合高维抽象特征,构建有阈值的虚拟健康指标定量评价轴承当前时刻的健康状态;最后,通过GRU神经网络预测健康指标的发展趋势,间接获得风电齿轮箱轴承的剩余使用寿命。结合轴承台架实验数据和某风场实测数据验证了该方法的有效性。（3）基于C#/.Net通用软件开发平台和Python/Keras深度学习框架联合编程,开发了风电齿轮箱轴承健康评估系统。进行了需求分析、总体设计和功能模块设计论证。实现了不同平台和编程框架的兼容、数据传输的可靠、安全高效的文件分类管理、多线程的设计。系统主要包括基本信号分析、初始衰退点监测、健康指标构建、退化趋势预测和剩余寿命预测等模块。通过风电齿轮箱轴承实测数据验证了该系统的可行性和实用性。