王洪斌 王 红 何 群 王跃灵 周 振

1.燕山大学工业计算机控制工程河北省重点实验室，秦皇岛，0660042.燕山大学河北省测试计量技术及仪器重点实验室，秦皇岛，066004

0 引言

风能是近期最具有大规模开发利用前景的可再生资源[1]。截至2016年底，全球累计装机容量达486 749MW，新增装机容量达54 600MW[2]。随着风能的快速发展，机组的故障率和维修费用也在不断升高，因此，开展风电机组的状态监测研究，对及时掌握风电机组运行状态，保证风电机组安全高效发电运行有重要意义[3]。振动和油液监测是两种常用的状态监测技术，但需要额外安装传感器，增加了检测成本。数据采集与监视控制(supervisory control and data acquisition, SCADA)系统可以定期对机组子系统或部件的运行状态数据进行采集与记录，已在风电状态监测方面得到了广泛应用。

文献[4-5]基于风电机组SCADA数据运用自适应模糊推理技术实现了齿轮箱、发电机异常的检测。文献[6]运用非线性状态估计方法实现了发电机的早期故障检测。文献[7-8]同样运用SCADA数据实现了齿轮箱、塔架的故障检测。与齿轮箱和发电机相比，国内外对主轴承的状态监测研究较少。虽然主轴承的故障率相对较低，但若发生重大故障，会造成无法估量的经济损失，因此，研究有效的状态监测方法实现其异常诊断意义重大。

深度学习理论由HITION等[9]于2006年提出，该理论通过训练大量样本来学习更有用的特征，从而使预测精度和分类准确度得到提高。基于此，HITION等又提出了深度信念网络(deep belief network，DBN)[10]。该网络以预训练和微调的方式进行训练，较好地克服了传统神经网络存在过拟合、易陷入局部最小等不足。……