随着风电技术的飞速发展,化石燃料焚烧造成的大气污染等问题得到有效解决。风电机组作为大型旋转机械设备,机组各零部件的状态和性能随运行时间和环境的影响呈现衰退趋势,严重的导致供电中断造成巨大的经济损失。齿轮箱是风电机组关键的传动部件,也是造停机时间最长的重要因素,而轴承是齿轮箱中出现损伤最频繁的关键部件,因此准确高效的轴承损伤识别方法和状态退化预测方法,为降低运维成本、提高风电机组安全稳定运行有重要的工程应用意义和理论研究价值。对于风机齿轮箱轴承的损伤识别,针对传统人工轴承损伤特征难提取、关键信息易丢失等弊端,提出基于压缩激励残差神经网络的轴承损伤识别方法。通过连续小波变换自适应提取出轴承损伤特征时频图,并将压缩激励注意力机制和BN算法引入残差神经网络,实现风机齿轮箱轴承损伤识别。压缩激励机制显现建立特征通道关系,并依靠网络学习权重来提升重要特征,降低了网络复杂度,提高了损伤识别的准确率。BN算法则加速网络收敛,抑制网络过拟合发生。通过旋转损伤实验平台和1.5MW风机齿轮箱高速端轴承分别进行验证,结果证实压缩激励残差神经网络能够对变负载工况下风机齿轮箱轴承的损伤进行有效识别,为保证风电机组平稳高效运行具有实际意义。对于风机齿轮箱轴承状态退化预测,及时确定轴承失效时间,对风电机组进行预测性维护,提出基于改进卷积神经网络结合长短期记忆网络的轴承状态退化预测方法。通过选取对退化敏感的特征,用主成分分析方法构造退化指标,通过改进卷积神经网络结合长短期记忆网络实现轴承状态退化预测。利用卷积块注意力机制对通道与空间不同关注度提取退化关键特征和长短期记忆网络处理长时序问题优越性,提高模型的预测精度和泛化能力,并通过五点三次平滑处理突出轴承退化状态,利用压缩激励残差神经网络对轴承各退化阶段的损伤进行识别。通过风机齿轮箱实验平台进行验证,结果证实改进卷积神经网络结合长短期记忆网络对轴承状态退化预测的效果较好,预测轴承退化达到失效阈值时间接近实际失效时间,并且压缩激励残差神经网络对轴承各退化阶段的损伤类型进行精准识别,为风电机组的维护和可靠性评估提供参考依据。