作為一種清潔高效的新能源，隨著裝機容量的不斷增長，風力發電也越來越突出。變速箱是風力渦輪機的關鍵部件。

變速箱呼吸器

由于復雜的負載和特殊的工作環境，風力發電機的停機時間很長。因此，利用數據采集和監控控制數據或狀態監測信息分析來研究變速箱故障檢測，可以有效降低變速箱的維護成本，提高經濟效益。

通常，當風力渦輪機齒輪箱處于早期故障階段時，由故障引起的沖擊分量較弱并且干擾環境噪聲，使得齒輪箱的早期故障特征難以提取。目前，故障檢測方法一般分為基于數據的研究方法和基于模型的分析方法。基于模型的分析方法通常建立組件的物理模型，并根據模型參數的變化檢測故障。

根據變速箱油溫和軸承溫度的實際值和估算值，采用統計過程控制方法分析溫度的殘余趨勢，檢測變速箱的異常狀態。利用存儲器批量處理技術和Storm實時流數據處理方法構建風力機在線預警和故障診斷模型，可以確定變速箱的故障。風扇在運行過程中產生的SCADA數據包含特定的規則和結構，使得數據挖掘方法應用于變速箱的故障研究中。分析風扇的SCADA數據變量之間的相關性，以實現在不同操作條件下風扇健康狀態的定量評估。風力發電機SCADA數據和狀態監測數據有很多變量，數據量大，類型復雜。深度學習方法可以深入學習數據固有的結構特征，將學到的特征信息集成到模型構建過程中，從而減少人工設計特征的不足和傳統特征提取帶來的復雜性。與傳統的故障診斷方法相比，深度學習算法克服了傳統方法對診斷經驗的依賴，缺乏大數據下的模型診斷能力和泛化能力。