过去十年里,风电行业迅速发展,风电机组的安全问题变得至关重要,安全工程成为风电机组研发的重点。齿轮箱是风电机组的核心组件,由齿轮、转子、轴承等部件组成,受负载和温度变化等因素影响,这三种部件中,轴承极易发生故障,给风场造成经济损失,更有甚者出现严重安全事故。因此,风电机组运行过程中齿轮箱轴承的诊断和监测对于提高运行可靠性、保持发电效率、降低维护成本具有重要意义。本文在大数据支撑下,分工况研究了数据驱动的诊断方法,实现自动化检测风机齿轮箱轴承故障,具体内容如下:恒定工况条件下,针对传统诊断方法过于依靠人工提取特征,需要强的专业背景知识,而自动提取特征的卷积网络（Convolution Neural Network,CNN）容易忽略振动时序关系,丢失关键信息,本文提出了一种多尺度卷积长短期记忆网络模型。首先研究了如何从原始振动信号中学习局部相关性和全局上下文信息,进行更好的故障识别。网络通过两个并行的大卷积核和小卷积核网络,学习局部特征,并使用元素乘积对局部特征融合,将融合后的特征送入到长短期记忆网络（Long Short-Term Memory Network,LSTM）,通过LSTM从输入的局部特征中学习全局上下文依赖关系,这样,整个网络最后生成的特征会同时包含局部特征和长期上下文依赖关系。此外,针对神经网络解释性差的问题,从特征可视化角度进行解释。CWRU数据集下的实验证明,与基于CNN和单尺度CNN-LSTM网络相比,此模型在故障特征自动提取、诊断精确度、鲁棒性等方面有很大提高。变工况条件下,由于深度学习故障诊断模型不进行域对齐,而迁移学习领域自适应方法仅对两个域进行全局对齐,未进行相应类别的对齐,故障诊断效果相对较差。针对上述问题,本文提出了一种两级混淆对抗域自适应网络,该网络由一个特征生成器、两个标签分类器及一个辅助分类器组成,网络使用源域样本帮助两个任务分类器学习,同时在辅助分类器上构造了基于两级域混淆损失的对抗性学习目标函数,通过对抗训练,驱动特征生成器生成类别对齐的特征。CWRU和PU两个数据集上的实验表明,所提方法能够实现领域间对应类别的对齐,缩小源域和目标域的分布差异,在变工况条件下取得较高的诊断准确率,其性能优于最新的五种域自适应故障诊断方法。