作为一种绿色清洁的可再生能源,风能在我国获得快速发展,连续五年新增装机容量和装机总量位居世界第一。装机容量的快速增长,尤其是海上装机容量的增加,导致风电场风电机组的总体运维成本急剧增高。同时,风电机组价格的持续下降,进一步压缩了装备制造商的盈利空间。因此,在结合大数据和现代人工智能技术的条件下,如何突破风电机组故障智能诊断关键技术,是风电装备企业实现“降本增效”的关键,也是当前风电行业面临的重要挑战。本文结合风电企业的实际需求,以风电齿轮箱为研究对象,针对风电机组齿轮箱运行状态预警、故障诊断、分析平台集成等关键技术展开研究,具体研究工作如下:针对复杂工况变化和时序特征信息的风电机组齿轮箱运行状态预警问题,提出了基于门控循环网络（Gated Recurrent Unit,GRU）融合多源数据的风电齿轮箱状态预警方法。首先,以风电齿轮箱进口油液压力作为GRU状态预警模型的目标变量,采用风电机组控制逻辑、故障的物理机制与相关系数法相结合的方法确定GRU预警模型的输入变量;其次,通过GRU模型函数对模型的输入变量时序特征进行融合,建立风电机组齿轮箱的运行状态预警模型;最后,通过模型的计算值与运行的实际值计算目标变量残差并根据其变化评估齿轮箱的运行状态,从而实现对风电齿轮箱的运行状态预警。与其他模型进行实例数据验证对比分析,数据分析结果表明,基于GRU状态预警算法模型优于其他算法模型,比现场实时预警系统提前46天发出齿轮箱故障状态预警,能够及时有效的发现风电机组的异常状态,并发出故障状态预警信息。针对小样本条件下的齿轮箱轴承故障诊断问题,提出了基于烟花参数优化算法的多核学习支持向量机的风电机组齿轮箱轴承智能故障诊断方法。论文从风电齿轮箱的在线振动数据（CMS）出发,利用小样本条件下多核学习支持向量机方法的分类优势,通过数据特征提取方法、参数优化算法的对比分析,将小波包能量算法、烟花参数优化算法和多核学习支持向量机相结合,构建了基于多核学习支持向量机的齿轮箱轴承故障诊断方法（LOTF-MKSVM）;设计并开发了基于该算法模型的预警信息推送机制和故障信息反馈机制,实现了该算法模型在实际应用中的参数自我调优、相关知识条例的提炼与推送以及知识库的开发建设;在结合风电机组在线振动数据（CMS）采集机制的基础上,建立了基于风电机组数据的烟花参数优化算法的多核学习的支持向量机分类算法模型和实现机制,利用某风场风电机组的实际运行数据进行验证分析,并对实例数据结果进行验证分析和结果说明,数据分析结果证明了该方法的有效性和优越性。针对风电机组预警分析平台多信息集成状态预警问题,在风电企业现有大数据平台的基础上,提出了基于微服务架构体系的风电齿轮箱预警分析平台关键技术开发、平台设计和原型系统架构设计方法。论文在企业实际需求和技术调研的基础上,结合风电企业现有数据信息平台和风电机组运行的实际情况,研究基于微服务架构体系的风电机组预警分析平台的关键技术,在此基础上,提出了基于风电机组的面向风电齿轮箱服务实体对象的服务粒度划分方法和基于多源信息联合诊断的预警信息推送机制的设计方法,构建了基于风电齿轮箱结构的故障图谱。最后,在基于风电齿轮箱预警分析平台原型系统实现的基础上,实现了多源数据状态监控、多模型/多信息联合预警和故障维护策略的应用系统集成,针对基于服务主题和应用主题的主题扩展、服务部署进行了案例应用。实践结果表明,基于微服务机构体系的风电机组预警分析平台能够实现多源信息联合推送和多模型特征联合故障预警及故障诊断功能。