我国风电行业发展迅速,风力发电的装机容量与其他清洁能源的装机容量相比在整体装机容量结构中占比较大。随着风电机组的扩容,风机塔筒作为支撑机舱以及风轮系统作用力的部件也在逐渐增高,这些因素都给风电机组的日常运行检修带来了一定的困难,同时也增加了风电机组的日常运行检修成本。在风机传动系统中,轴承作为一个不可或缺的组成部分,故障频发率较高,所以轴承的健康状态关系着整个风电机组的运行安全性,针对风机轴承进行故障诊断具有重要意义。（1）在风电机组主轴轴承的故障诊断方法中,针对故障信号进行特征分析应用最多的是振动分析技术。即当主轴轴承在运行过程中发生故障,利用振动分析对故障信号进行分析处理最终确定故障所在位置和故障类别。目前,时域分析、频域分析和时频域分析都是较为常用的分析方法。本文拟通过短时傅里叶变换对不同工况下的轴承振动信号进行时间与频率的联合分析,并构造出轴承的时频图像数据集。（2）优化基于经典模型的故障诊断算法。在实际生活中工作系统由于受多种组成部件以及所处环境的相互作用,通常是带有多种时间尺度的特征,基于单一尺度特征的故障诊断方法难以有效的挖掘和利用振动数据中包含的多尺度信息,因此本文拟在经典卷积神经网络模型中增加上采样层构建新的网络模型应用于风电机组轴承的故障诊断中。并以轴承时频图像为研究对象,对本文搭建的故障诊断模型进行仿真验证。（3）轴承在运行中受工况交变的影响,其故障振动信号时变性较强。因此在不同的时间段内所采集到的振动信号具有不同的特征,造成了不同的样本之间的差异性增大,会大大降低网络模型的泛化能力。本文拟在现有卷积神经网络结构中加入注意力机制,对轴承故障诊断模型进行优化。通过实验分析,利用上述方法对轴承进行故障诊断,其平均准确率能够达到96.6%,验证了该方案在轴承故障诊断中的有效性与准确性。