风力发电是国家能源安全的重要保障。风能作为清洁、无污染的可再生能源，其通过风力发电机组的行星齿轮箱等传动系统、发电机等装置转化为电能。行星齿轮是风力发电机齿轮箱的关键部件，若其存在早期微弱疑似故障征兆或突发故障，将造成整个传动系统存在安全隐患或者导致机组瘫痪，甚至还将引发重大安全事故。若能及时对其健康状态进行有效识别，对保证风力发电机组的安全、高效运行具有重要意义。　　本文以风力发电机齿轮箱行星齿轮为研究对象，针对目前包头周边地区风电机组状态监测系统（ConditionMonitoringSystem,CMS）采集的海量传动系统状态数据难以有效处理、基于反向前馈（BackPropagation,BP）网络和支持向量机（SupportVectorMachines,SVM）等传统智能诊断方法在处理上述大数据时显得“力不从心”以及现有的自动编码器等深度学习算法网络结构参数选取依赖人工经验等问题，对此将核极化的思想融入去噪自动编码器中，使其能够根据输入数据（如风电机组行星齿轮振动信号）自适应的选取最佳的去噪参数，提升去噪自动编码器的鲁棒性能；在此基础上将其与核极限学习机算法相结合，提出了核极化去噪自动编码器与核极限学习机的故障诊断方法，并将其应用于风力发电机组行星齿轮的健康监测，具体研究内容如下：　　首先，利用核极化同类数据相互靠近、异类数据相互远离的特点，来选取去噪自动编码器的最佳去噪率。其次，逐层训练去噪自动编码器隐含层的惯性权重和阈值，构建特征向量集。在状态辨识方面，随机选取部分特征向量作为输入，通过训练构建基于核极限学习机算法的状态辨识模型，余下的特征向量作为测试集验证所构建模型的有效性。　　分别利用美国SpectraQuest公司的DDS动力传动故障诊断综合实验台采集到的行星齿轮不同状态下的振动数据和甘肃景泰某风电场的W2000型风力发电机上安装的CS2000风电机组远程在线振动监测与分析系统的振动数据，验证上述所提方法的有效性。