风电机组长期工作在变风载、大温差等恶劣、变化的工况下,齿轮箱等传动部件在交变载荷的作用下很容易出现故障,造成机组停机。较之其它故障,风电齿轮箱故障导致机组停机时间最长,严重影响发电量。同时,风电齿轮箱故障信号复杂,部件数量多、交互频繁,各部件(轴承、齿轮)运行状态信息相互耦合,难以识别和区分;故障特征经常淹没在强噪声环境中,进一步弱化了风电机组运行状态的特征信息,故障特征信息难以提取。因此,解决现役风电机组因齿轮箱故障导致巨大经济损失的关键是进行风电机组齿轮箱故障诊断。传统的基于卷积神经网络的故障诊断方法只能通过训练不同的卷积核来辨别与故障相关的振动成分。这一过程不可避免地受到其他振动成分的干扰,造成隐含层中故障相关特征和其他特征难以区分。本文针对这些问题,利用共振稀疏分解解耦的能力以及卷积神经网络强大非线性的特征提取能力,将共振稀疏分解与卷积神经网络结合,提出基于共振分量融合卷积神经网络的风电齿轮箱故障诊断方法。本文的主要研究工作如下:针对风电齿轮箱振动信号成分混叠,故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出基于共振分量融合卷积神经网络的风电齿轮箱故障诊断方法。通过共振稀疏分解方法将混叠的振动信号分解为包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量,构建共振分量融合卷积神经网络模型,将从高、低共振分量学习到的特征与从原始振动信号学习到的特征进行自适应地特征级融合,对网络模型进行有监督地训练,从而实现对风电齿轮箱的故障诊断。针对共振分量融合卷积神经网络中由于超参数过多通常采用经验性选取超参数的问题,本文不仅从算法原理上探讨了部分重要超参数(批量大小、卷积核尺寸和卷积核个数)对网络模型分类效果和训练时间的影响机制,而且通过严格的实验进行对比验证,对共振分量融合卷积神经网络在工程实际应用中选择超参数提供具有指导价值的意见。