在风电发电机组中,轴承是旋转机械的核心部件,但是由于风力发电机组处于恶劣的运行环境中,导致轴承经常出现故障问题。旋转机械发生故障的主要特征是机器伴有异常的振动和噪声,其振动信号幅域、频域、时域反映了机器的故障信息。当轴承损坏时,风轮转动会发出异常声响。根据历史数据显示,在风力发电机组中,当发电机、齿轮箱、传动轴等部件发生故障时,80%的可能性是由于轴承发生了故障,所以对其进行故障诊断有很大的意义。目前的风机旋转机械的诊断方法很大程度上依赖于专家经验和先验知识,因此本文以旋转机械的关键部件轴承为研究对象,提出了基于等势星球图和深度学习的风机旋转机械故障诊断方法。具体研究工作如下:（1）对风机旋转机械重要部件轴承建立模型分析,了解振动机理。研究旋转机械在故障状态下的振动原理,对于监测机器的运行状态和提高诊断故障的准确率都非常重要。对振动频率机理进行介绍,为下一步基于振动信号的故障诊断方法提供了理论依据。（2）提出基于融合熵特征等势星球图的特征提取方法。首先采用融合熵特征（Fusion Entropy Feature,简称FEF）的特征提取办法,提取故障信号的不同熵值,其中包括模糊熵、近似熵、样本熵、排列熵等特征值。然后让他们两两组合进行特征融合后映射为带故障特征的二维熵特征图像,分别作为最后分类结果的对照样本。最后引入等势星球图的方法,在融合熵特征的基础上对二维熵特征图像运用密度窗函数进行点密度计算,生成融合熵特征等势星球图的故障特征数据图库,为接下来的故障诊断提供故障特征数据集。（3）研究并建立深度学习算法中的卷积神经网络模型,将其改进为适用于故障诊断的数学模型,通过卷积神经网络对故障信号进行特征提取,然后模型通过学习训练之后再进行故障识别,以此为参照样本。提出一种改进的PCANet网络PCANet-CSI,先对轴承进行融合熵特征等势星球图特征提取后再使用PCANet网络对特征进行精细画像,使特征更加易于分类,再使用改进的预训练模型VGG-16网络进行分类,完成故障诊断过程,通过西储大学轴承实测数据进行仿真试验,与改进SVM、卷积神经网络等进行对比,该方法在诊断准确性方面优于其它方法。该方法的研究,从而为故障诊断和其它相关工程实践提供了可靠的理论基础。