近年来,随着能源枯竭和环境污染问题的日益严峻,开发利用可再生、无污染的新能源的需求刻不容缓,而作为绿色、可再生的风能逐渐地出现在全世界的视野之中。现阶段风力发电发展迅猛,风机的总装机容量也在逐年增长,但由于风机运行环境恶劣,工况复杂,使得风机设备极易发生故障。而在风机所有发电系统机械故障中,传动系统作为风电机组能量转换和传递的关键部件,其故障发生概率占比高、停机时间长、维修难度大,严重降低了风电场的安全可靠性和发电经济性,因此亟待对风电机组传动系统的机械故障诊断展开具有针对性的研究。风电机组传动系统在运行过程中产生的振动信号包含了重要的状态信息,如果能够实时采集风电机组传动系统运行过程中的振动信号,并对振动数据进行实时分析并做出故障诊断,就可以及时采取相应措施,减少的停机时间,降低风电机组的运行风险及损失。本课题围绕着对风电机组传动系统机械故障诊断模型的诊断精度与鲁棒性两个方面进行研究和改进。主要研究内容是结合深度学习理论,构建深度神经网络故障诊断模型,应用于风电机组传动系统,即齿轮箱、主轴承机械故障诊断。主要研究工作如下:（1）在齿轮箱故障诊断方面,针对于大多数网络模型的超参数调优是依据主观经验和实验枚举,且针对于特定的诊断问题进行专门的测试选取,导致模型泛化能力弱的问题,提出了一种改进的堆叠稀疏降噪自编码网络的故障诊断方法（PSO-SSDAE）。通过利用粒子群算法对堆叠稀疏降噪自编码网络的超参数进行自适应调优来确定网络的结构,并通过Soft-max分类器进行故障识别。最后,利用千鹏QPZZ-II齿轮箱数据集验证了该方法的有效性和准确性。（2）在主轴承故障诊断方面,针对于实际风机主轴承故障诊断中小故障样本量导致的数据不平衡问题、变负载条件下跨域自适应问题以及高背景噪声污染的影响,提出一种结合辅助分类器生成对抗网络和堆叠降噪自编码网络的新颖的故障诊断方法（ACGAN-SDAE）。将一维卷积神经网络用作生成器,同时使用类别标签作为辅助信息来帮助生成器捕获原始样本的实际分布,生成高质量的带标签的新样本,以扩充训练故障样本数量。将堆叠降噪自编码器用作判别器,对输入样本进行真实性判别与故障类别识别。在ACGAN-SDAE的训练过程中,通过对抗学习机制,交替优化生成器和判别器,使得模型具有显著的诊断精度和泛化能力。最后,利用CWRU轴承数据集对模型进行了验证。结果表明,与传统的故障方法相比,该方法具有更高的诊断精度和鲁棒性。