作为一种清洁高效的新能源，随着装机容量的不断增长，风力发电也越来越突出。变速箱是风力涡轮机的关键部件。
变速箱呼吸器
由于复杂的负载和特殊的工作环境，风力发电机的停机时间很长。因此，利用数据采集和监控控制数据或状态监测信息分析来研究变速箱故障检测，可以有效降低变速箱的维护成本，提高经济效益。
通常，当风力涡轮机齿轮箱处于早期故障阶段时，由故障引起的冲击分量较弱并且干扰环境噪声，使得齿轮箱的早期故障特征难以提取。目前，故障检测方法一般分为基于数据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组件的物理模型，并根据模型参数的变化检测故障。
根据变速箱油温和轴承温度的实际值和估算值，采用统计过程控制方法分析温度的残余趋势，检测变速箱的异常状态。利用存储器批量处理技术和Storm实时流数据处理方法构建风力机在线预警和故障诊断模型，可以确定变速箱的故障。风扇在运行过程中产生的SCADA数据包含特定的规则和结构，使得数据挖掘方法应用于变速箱的故障研究中。分析风扇的SCADA数据变量之间的相关性，以实现在不同操作条件下风扇健康状态的定量评估。风力发电机SCADA数据和状态监测数据有很多变量，数据量大，类型复杂。深度学习方法可以深入学习数据固有的结构特征，将学到的特征信息集成到模型构建过程中，从而减少人工设计特征的不足和传统特征提取带来的复杂性。与传统的故障诊断方法相比，深度学习算法克服了传统方法对诊断经验的依赖，缺乏大数据下的模型诊断能力和泛化能力。