为缓解能源危机和资源的不合理开采带来的环境问题,风能等绿色无污染的能源得到了广泛应用。通过风力发电一方面可以减少煤炭等的使用,另一方面可以保护环境。随着机组使用时间的增长,近年来风机事故频发,出现系统瘫痪、经济损失、甚至威胁生命的现象。风力发电机通常安装在偏远的地方,且机组内部组件很多维护起来困难很多。齿轮箱作为风力发电机组的一个关键部件,连接着整个传动装置,一旦故障很难维修。因此,通过对齿轮箱的剩余寿命做出预测,可以提前制定相应的维修策略,从而节省维修费用,减少故障时间。本文以齿轮箱中齿轮的振动特征值随运行时间的变化为背景建立模型,采用深度置信网络学习特征值之间的关系,预测特征值超过故障阈值的时间,从而预测剩余寿命。主要研究工作如下:(1)针对单一模型往往没有好的泛化性能的问题,提出了一种深度置信网络集成的方法。采用了负相关学习结合遗传算法的方法同时训练多个神经网络,以使模型对数据的规律学习的更加准确。最后取多个个体网络输出的平均值作为模型输出。并以齿轮的振动加速度数据为例,通过和单个深度置信网络进行剩余寿命预测对比,模型的准确度有所提高,验证了所提方法的有效性。(2)引入了小生境技术来使集成模型提高种群多样性,建立了结合小生境技术的深度置信网络集成模型。通过共享机制的小生境技术降低适应度相似的个体网络被选择的概率,从而提高种群多样性。通过和没有加小生境技术的集成模型比较,加入小生境技术之后,种群的多样性提高了,验证了所提方法可以应用在集成模型中来提高种群多样性。