近年来,随着技术的日趋成熟和人类对环境污染问题的愈加重视,风力发电在发电总装机容量中占得比重越来越大。由于工作环境恶劣且风速及方向随时都在变化,导致风力发电机组长期处于交变负载运行状态,故障频发。因此针对风电机组的故障诊断已经成为了世界范围的热点话题。传动系统是风电机组的能量中转站,同时也是发生故障频率最高的部位。本文针对风电机组传动系统的故障诊断问题,提出了一种基于深度学习算法的风机传动系统故障诊断方案。利用卷积神经网络结合短时傅里叶变换从故障数据自身学习数据与故障类型内在联系。此方法在轴承故障数据集和齿轮箱故障数据集上均取得了良好的效果。本文的主要研究工作如下:首先,根据风电机组的基本结构和工作原理,分析轴承、齿轮故障特性及原因,在前人研究基础上完成了故障诊断方案设计。将轴承、齿轮实例故障数据组成故障样本,利用短时傅里叶变换处理样本,选择合理的窗函数以及窗宽,最后将一维时域故障信号转变为适合卷积神经网络处理的二维时频图,避免了故障特征信息在频域上的丢失。然后将经过短时傅里叶变换处理但未提取特征的轴承、齿轮在不同状态下时频图组成故障数据集。将这个数据集按一定比例划分为训练集和测试集。根据时频图的尺寸建立卷积神经网络故障诊断模型,对网络的关键参数进行设置,研究了超参数对网络训练过程以及结果的影响。并比较了利用随机梯度下降算法(Stochastic gradient descent,SGD)和自适应矩估计(Adaptive moment estimation,Adam)两种优化算法更新参数得到的网络诊断结果。Adam算法通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应学习率,而随机梯度下降法全局统一的学习率不适合更新所有参数。实例分析结果表明:Adam算法反向更新参数的效果要优于SGD优化算法;此方法在轴承数据集上取得了98.77%的诊断结果,比SGD优化算法提高了2.13%;在齿轮箱数据集上达到96.69%的准确率,比SGD优化算法提高了3.86%。最后将此诊断方法与利用振动信号的时域特征作为输入的人工神经网络以及卷积神经网络方法进行了比较。(1)相比于人工神经网络,卷积神经网络的网络层数更多,擅长从大批量数据中挖掘其内部非线性映射关系,摆脱了人工特征提取和对专家知识的依赖,减小了诊断过程的复杂性,增加了诊断过程的智能化,提高了诊断准确率。(2)相比时域特征作为输入的卷积神经网络,将一维振动信号经短时傅里叶变换的时频图作为输入的卷积神经网络可以同时学习到时域和频域故障信息,克服了时域指标对故障特征表达不完整造成的故障信息丢失。(3)相比于采用随机梯度下降算法(Stochastic gradient descent,SGD),利用Adam优化算法能够为不同的参数设计独立的学习率,从而使网络能更快更好的收敛,在降低训练时间的同时能够有更高的诊断准确率。