近年来,风电行业的高速发展使其在国内的市场占有率近乎饱和。目前,国内大部分风机设备已处于过保、但仍坚持服役的尴尬境遇;故障频发、效率低下、可靠性差、运维成本高是风场正在面临的严峻挑战。另外,在政府催化下,风电行业的“去补贴”转型已在2020年进入高峰期。由此可见,成本控制下的效益驱使促使整个风电行业必须重视风电机组的健康管理和安全运维。然而,实现行之有效的状态监测和故障检测并非一蹴而就。受风速波动影响,风机终身在变工况模式下运行,加之其自身的复杂结构,使得其在运行状态监测数据上均具有了复杂的非线性耦合特性。其中,风机自身的多变工况模式一直是制约现有诊断方法无法转为实用的重要因素。风机的运行过程和状态信息都被记录在SCADA(Supervisory Control And Data Acquisition)系统中,如何利用这些SCADA数据来提取和挖掘出多变工况下风机故障的有效特征信息,无疑对于实现风机故障诊断具有重要的现实意义和学术价值。本文立足于解决风机在多变工况下的故障诊断需求,分别从变工况的故障统计分析、变工况的数据处理与特征选择,以及变工况的故障检测三方面展开研究,旨在提出满足风机全部运行工况下的综合故障诊断方法,主要的研究工作如下:(1)变工况下的变桨故障特性分析研究。深入研究了变桨系统在变工况状态下的运行特性,并对变桨系统中五大类常见故障进行分类总结和机理分析,确定了9种典型故障为本文的诊断目标;进一步结合实际风场报警数据对9种故障进行统计分析,发现了变桨故障会随风机工况变化而表现出不同的分布规律;另外,为寻找变桨故障发生时与风速波动的关系,文中首次定义了风速跳跃值概念,通过统计发现,9种变桨故障多在风速跳跃值为±4m/s区间内最易发生。(2)变工况下的风机特征参数选择方法研究。由于风机的变工况运行模式,不同工况下能反映设备运行状态信息的监测参数也将不同,因此有必要选择出不同工况下最合适的特征参数;针对现有方法无法对连续数据进行自适应定量度量的问题,提出了一种新的基于自适应邻域粗糙互信息熵(ANRMIE),实现了对多维监测参数的定量度量,对比分类实验验证了该方法的精确性和可靠性。(3)深度小世界神经网络理论研究。为同时解决手动提取特征能力不足的问题和SCADA监测数据中标签样本的稀缺问题,提出一种新的基于半监督学习的深度小世界神经网络模型(DSWNN),实现了小世界神经网络从有监督学习向半监督学习的跨越式发展;经过全新设计,DSWNN的网络结构中加入了具有高效自学习能力的多层受限玻尔兹曼机(RBM),有效提高了网络对无标签数据的特征提取能力;网络训练已从单一的BP训练转变为结合了无监督训练、小世界转化和有监督微调等多步训练方式,可有效解决特征学习中的欠拟合和过拟合;由于采用了跨层式加边连接,DSWNN网络可有效避免网络因层数过多而发生的梯度消失问题。通过小世界特性分析发现,拥有合适加边概率的DSWNN模型可表现出极佳的学习能力。所提出的DSWNN网络可实现多维复杂数据的非线性拟合,适用于从风机多维SCADA数据中对风机运行状态和故障信息进行特征提取。(4)基于深度小世界神经网络的故障诊断方法研究。针对多输入参数中存在强非线性耦合性以及时空关联特性,提出一种基于动态滑窗的深度小世界神经网络学习方法(SL-DSWNN),该方法首先利用滑动窗口和小尺度滤波对动态数据进行处理以捕获输入参数本身时序特征信息,然后利用DSWNN网络来学习多个输入参数间的空间关联特征;FAST仿真实验和风机实测数据实验均表明:与DNN、SWNN、DBN方法相比,SL-DSWNN方法在故障检测具有更高的精度和可靠性,此外,通过特征可视化聚类结果对比,验证了该方法在网络学习和特征提取方面的极佳性能。(5)变工况下基于多模型动态选择集成的故障检测方法研究。针对风机多变工况下的故障诊断需求,提出了一种基于多DSWNN模型动态选择集成的故障诊断方法(SE-DSWNN),该方法采用分布式结构,每个工况为一个独立诊断单元。基于动态选择集成思想,SE-DSWNN方法首先利用ANRMIE选择出的特征参数来作为每个工况下的数据源,提出采用考虑风速跳跃值的数据划分方法来重新构建交替重叠的分布式训练集;然后分别在不同风速区间中构建多个同质且异样的DSWNN子分类模型;在动态选择集成方面,提出全局相关系算法来动态选择最佳子分类器,并利用加权概率融合实现在线故障诊断。最后,通过变工况下变桨故障分类实验来对SE-DSWNN方法进行验证,结果表明:考虑变工况因素的SE-DSWNN方法可有效对在线数据进行变工况和变风速区间的精准划分,并实现精准的状态监测和异常识别。