风场一般建设在偏远、环境恶劣的地方,风电机组在运行过程中不可避免的会出现叶片覆冰、桨距角偏差等风轮不平衡故障现象,如能及时发现和处理,可避免风电机组寿命耗损以及减少经济损失。因此,本文围绕风电机组风轮不平衡故障识别问题展开研究,基于机舱振动信号时频数据集与卷积神经网络,搭建风轮不平衡故障识别模型。具体研究内容如下:基于风电机组运行原理,在GH-Bladed仿真软件中搭建某型3MW风电机组模型。采用短时傅里叶变换、小波变换两种时频分析方法,对比分析两种方法的特征表达效果,选择小波时频变换方法为后续信号特征分析提供依据。研究风轮不平衡机舱振动信号特征,在模型中设置叶片质量不平衡2%、气动不平衡4°等不平衡故障工况,采用了时域、频域、时频域信号分析方法。时域方面,将几种工况的仿真结果与正常工况下机舱振动信号对比,得到故障时信号时域变化特征。频域方面,通过小波能量谱分析方法对比正常信号与故障信号第1频带能量占比变化情况,得到故障时信号频域特征。时频域方面,采用了小波时频变换方法,此方法将时域和频域故障特征联合反应,更加全面的表现信号特征,因此,基于机舱振动信号时频图制作数据集。针对风轮不平衡故障识别问题。通过对比不同卷积层数、卷积核大小和激活函数对模型的影响,搭建了基于4层卷积层、3×3大小卷积核以及Relu激活函数的卷积神经网络风轮不平衡故障识别模型。经测试表明,模型准确率可达到96.81%。然后对卷积核尺寸以及激活函数改进,改进后模型准确率提高了2%。最后用未经降噪处理的正常运行工况样本、气动不平衡工况样本和质量不平衡工况样本分别对未改进模型和改进后模型进行测试。结果表明,优化后模型对多工况的识别能力最好。