郑修楷，曾宪文

（上海电机学院电子信息学院，上海 201306）

风力发电是一种新能源发电方式，在全球能源紧缺、环境污染严重的情况下，受到了世界各国的高度重视。我国风电设备通常建立在风力资源丰富的西北地区和东南、华北沿海地区，一旦发生停机事故，一方面维修复杂，另一方面根据实际情况，故障会造成3～8天的停机［1］，带来巨大的经济损失。考虑到风机设备的故障机理多为应力疲劳的累计，且应力负载的累计难以统计和建模，在实际运行维护过程中，往往桨距角发生明显的异常后才进行紧急停机处理［2］。

故障预测技术通过监测设备的实时运行数据，在故障发生之前以一定概率对未来的设备运行状态进行预估［3］，从而做好充分的准备工作，保证风电机组的平稳运行。目前，故障预测技术都是以数据为驱动，对历史数据进行训练，形成对未来运行状态的评估。Zhang等［4］运用自组织神经网络建立故障发展的描述变量，并对状态变量进行跟踪，从而预测轴承剩余寿命。马玉峰［5］提出了一种小波神经网络，利用传感器检测数据建立故障演变模型，预测轴承剩余寿命。但这些模型仍属于浅层学习模型，风机运行时，各部件之间具有复杂的耦合关系，浅层学习模型很难表示出其中的关联性。

深度学习凭借其强大的特征学习能力，已广泛应用于图像处理、语音识别等［6］各个领域，但目前在风电机组故障领域的应用较少。文献［7］将长短时记忆（Long Short Term Memory，LSTM）网络用于非结构化文本的故障分类。……