风电机组通常安装在环境恶劣的偏远地区,长期受到雨雪、沙暴、雷击等因素的影响,容易发生故障,其运行过程中的健康状态至关重要。风电齿轮箱作为风电机组设备中的关键部件,在风机传动系统中占据重要地位,其健康状态直接影响到风电机组的使用寿命。因此对风电齿轮箱进行状态监测诊断,是一个重要的研究课题。目前,风电齿轮箱的状态监测诊断主要采用数据采集与监测系统（Supervisory Control and Data Acquisition,SCADA）和状态监测系统（Condition Monitoring System,CMS）相结合,首先根据SCADA中丰富的监测变量来获取齿轮箱的整体健康状态来进行状态监测,再利用CMS振动数据进行故障诊断。随着风场规模的扩大和风机运行时间的累积,风电SCADA和CMS数据的规模迅速增长,风电行业已经进入了大数据运维的时代,传统的基于信号处理和机器学习的风电齿轮箱状态监测诊断的方法已经难以应对。而深度学习方法作为一种极具潜力的智能分析方法,通过构建深层网络结构可以从海量数据中自动学习特征,为风电齿轮箱状态监测诊断提供了新的思路。然而,由于风电机组传感器密集、齿轮箱结构复杂、工作状况多变,导致风电监测数据包含的信息极其丰富且复杂,目前的深度学习方法由于单一结构的限制,难以对数据中存在的多维度信息进行综合利用,对风电齿轮箱的健康状态难以做出准确判断,仍然无法满足风电齿轮箱状态监测诊断的需求。针对上述问题,本文提出了一种多维信息深度融合的风电齿轮箱状态监测诊断方法。采用多种网络结构协同作用的深度学习方法,对风电SCADA监测数据和CMS振动数据中的空间、时间、频带等多维度的信息进行深度融合,对风电齿轮箱的健康状态进行准确判断,实现有效的风电齿轮箱状态监测诊断。论文主要研究如下:（1）针对风电SCADA监测数据变量多、时间长的特点,提出了一种SCADA数据时空特征融合的风电齿轮箱状态监测方法。该方法首先采用Pearson相关系数法筛选SCADA变量,然后采用深度学习方法,构建卷积神经网络来融合SCADA数据中的空间特征,构建门控循环网络融合时间特征,提出一种整体残差作为状态监测的指标,利用EWMA（Exponentially Weighted Moving-Average）控制图来进行风电齿轮箱的状态监测。通过风场实测的SCADA数据与其他深度学习方法对比,验证了该方法具有更优的监测能力。（2）针对风电齿轮箱CMS振动数据频带信息丰富、时变性强的特点,提出了一种基于时频融合和注意力机制的深度学习CMS数据故障诊断方法。该方法首先通过小波包变换将原始振动信号表征为时频图,然后通过深度学习方法构建双层卷积神经网络融合CMS数据的频带特征,构建双向门控循环网络来融合时序特征,然后通过注意力机制对不同时间内的特征进行动态加权融合,最后输出风电齿轮箱的故障诊断结果。通过动力传动试验台数据和风场实测CMS振动数据与其他几种深度学习方法进行对比,验证了该方法具有更高的诊断精度。（3）在课题组前期开发的风电机组传动系统监测诊断系统的基础上,开发了基于多维信息深度融合的风电齿轮箱状态监测诊断模块。可以通过该系统模块对风电监测数据进行管理、显示和分析,实现本文提出的SCADA数据时空特征融合的风电齿轮箱状态监测以及时频融合和注意力机制的深度学习CMS数据故障诊断。通过风场实测数据验证了该系统模块的有效性。最后总结了全文的研究工作并展望了下一步的研究方向。