我国幅员辽阔,风能资源丰富,风力发电规模逐年攀升,目前已经成为世界第一风电大国。由于风力资源丰富的地区多集中在高原或沿海地区,其运行工况恶劣,一旦发生故障不仅会影响供电稳定性,同时还会造成严重的经济财产损失,因此,对风机的健康状态监测和预测方法的研究具有重要的价值。目前风场通常采用定期巡检的方式维护风机,而故障预测与健康管理(Prognostic and Health Management,PHM)技术就是旨在减少无意义维修、降低成本并且提高风机执行效率,全面保障设备健康运行并形成一套完备的状态评价、监测、故障诊断与预测机制。风机是一种高度智能的设备,具备实施故障预测与健康管理的条件,因此,本文通过调研国外PHM技术的动向,对各类技术方案进行了总结,以风机叶片和传动系统核心部件轴承为研究对象,以基于深度学习的数据驱方法为切入点,针对实际工业中的数据不平衡的问题,开展PHM中的异常状态监测、故障诊断和状态预测三个方向的研究,在一定程度上避免了对人工经验的依赖和复杂的特征提取过程。本文具体工作内容如下:(1)在无故障样本的情况下,提出了一种基于深度卷积自编码器的无监督异常监测方法,该模型在训练过程中通过对健康数据样本的学习,挖掘数据内在的分布规律,提取其健康状态下相应的特征。在测试阶段,通过重构误差作为健康监测指标,从而识别异常状态,随后通过实验验证了该算法在风机叶片异常监测上的有效性。(2)数据不平衡是风机故障诊断中面临的一个重要问题,本文基于条件生成对抗网络提出了一个新的数据增容策略来解决数据不平衡问题,随后用美国凯斯西储大学的轴承数据集证明了此策略能够在数据不平衡条件下对常见分类模型性能具有一定的提升作用。(3)本文提出了基于生成对抗网络和长短时记忆网络的退化预测方法,并针对风机轴承的复杂退化过程进行了预测。该方法利用生成对抗网络在纳什平衡状态下判别网络的逻辑输出,提取能够表征风机轴承健康状态的指标,结合长短时间记忆网络,实现了对风机轴承退化规律的预测,并与同类网络进行对比,证明此方法能够更加准确的预测风机轴承状态的退化规律。