轴承作为风电机组的关键部件,因其运行环境恶劣而成为风电机组中故障率较高的部件之一。据统计,风电机组中发电机、齿轮箱、传动轴等机械故障中约80%是由轴承故障所导致。因此对风电机组轴承进行状态监测和故障诊断具有十分重要的意义。本文主要对风电机组轴承现有传统诊断方法的不足进行了分析研究,并根据轴承振动数据的时频分析,结合深度学习神经网络方法的原理,提出了基于深度学习的故障诊断方案。首先从风电机组的基本组成结构、工作原理展开研究,重点介绍了风电机组轴承故障形式和特征频率。对轴承振动数据进行时域、频域、时频域分析,并采用支持向量机模型识别分类。其次研究深度置信网络原理,并建立基于深度置信网络的轴承故障诊断模型。将轴承振动数据进行短时傅里叶变换后的时频谱作为深度置信网络模型的输入,以轴承各种故障类型的识别码为输出。考虑风电机组轴承的运行工况和工作环境,将轴承振动数据加入不同信噪比的高斯白噪声与进行小波降噪后的轴承振动数据分别输入深度置信网络模型中,研究讨论深度置信网络模型的抗噪性能。振动监测一般检测到的故障为混合故障类型,将轴承不同故障特征的振动数据混合叠加组成混合故障数据类型,输入深度置信网络模型中,研究讨论深度置信网络模型对混合故障样本的识别性能。最后研究卷积神经网络原理,并建立基于卷积神经网络的轴承故障诊断模型。将轴承振动数据的时频谱作为卷积神经网络模型的输入,以轴承各种故障类型的识别码为输出。同样将不同信噪比下的轴承振动数据与进行小波降噪处理后的轴承振动数据分别输入卷积神经网络模型中,研究讨论卷积神经网络模型的抗噪性能。将轴承不同故障特征的混合故障数据样本输入卷积神经网络模型中,研究讨论卷积神经网络模型对混合故障样本的识别性能。研究发现卷积神经网络模型能够根据不同负载、不同转速下的轴承振动数据,自动寻找故障特征,识别轴承滚动体、内圈、外圈等不同位置的故障;从而避免了专家经验与特征工程,使其通用性与推广性更强,具有高效的现场轴承故障诊断方面的潜力。在降噪与混合故障样本的试验中,卷积神经网络模型的性能与混合故障识别性能也优于深度置信网络模型。