水电机组是水电站的核心设备,其健康状态关系到水电站乃至整个电网的安全稳定运行。振动信号含有最为完备的机组状态信息,但其影响因素众多且相互耦合,使得信号特征的提取和故障种类的识别非常困难。应用时频分析与卷积神经网络深度学习算法等信号处理和人工智能领域的先进成果进行特征提取和故障识别,对于提高故障诊断的准确率和提高水电机组的安全性具有重要意义。本文主要研究内容如下:首先,研究了水电机组的振动机理和振动信号的时频图。对水电机组振动故障进行分类,分析各类故障的产生原因、表现形式和影响因素,归纳总结了常见振动故障的特点及特征频率。研究了短时傅里叶变换、小波变换和Hilbert-Huang变换等时频分析方法,考虑不同窗口长度、不同小波基函数等因素,分别构造典型仿真信号的时频图,对比分析各类方法的特征表达性能,结果表明复Morlet小波变换所构成的时频图具有最好的时间-频率分辨率。其次,研究了卷积神经网络模型。介绍了卷积神经网络的基本原理和结构,分析了训练过程,对比了常用的优化算法,讨论了卷积神经网络过拟合出现的原因与解决方法,并介绍了卷积神经网络的分类流程。作为深度学习的重要算法之一,卷积神经网络包含了特征提取器,且可直接输入二维原始数据,对图像识别具有优秀的分类能力,因此可将水电机组振动信号的时频图像作为网络的输入。最后,建立基于时频图和卷积神经网络的诊断模型,对实际水电机组故障进行诊断。先选取某水电站两台相同机组的振动数据进行诊断。诊断过程中,综合考虑分类正确率和诊断时间等因素,选择合适的卷积核个数、批量尺寸和迭代次数。诊断结果表明,卷积神经网络对于时频图具有良好的分类识别率,通过对比三种时频图发现,以小波变换为基础的时频图识别率更高。另外,选取不同水电机组的振动数据进行诊断,也取得了较高的分类正确率,验证了本文所提方法对水电机组故障诊断的有效性与准确性,泛化性能良好。