电机轴承是发电机设备中的关键构件,轴承工作状况的好坏将直接影响着发电机设备,乃至整个机组的正常工作。轴承振动信号虽然能够直观反映机组的运行数据,但由于它易受到各种因素的影响且振动信号易于交叉耦合,直接对轴承振动信号采集特征值,会因为特征值采集不准确导致较低的轴承故障诊断准确率。针对上述轴承故障诊断存在的问题,本文将时频变换与深度学习相结合,提出了一种基于时频图和深度学习的电机轴承故障诊断方法,本文的研究内容可分如下:首先,针对轴承振动信号特征值难以提取,卷积神经网络无法正常发挥出诊断能力这一问题,分析电机轴承的振动特点和轴承各类故障产生的原因,研究对比短时傅里叶变换、小波变换和S变换对轴承信号的处理能力。利用时频变换方法提高电机轴承振动信号的特征表达能力,对比分析各类方法的特征表达性能,实验分析表明使用复Morlet小波基函数的小波变换所构成的时频图相对于其他时频处理方式对轴承振动信号有更好的特征值表现能力。然后,针对Le Net-5网络在单一工况下轴承故障诊断准确率低,提出了一种Le Net-5网络改进的方法。该方法通过对Le Net-5网络添加一条新的特征提取层,构成并列运行的特征提取层,在两个特征提取层中设置大小不一的卷积核,提高了网络模型对微小特征的提取能力。并为网络模型更换激活函数,添加Dropout层和自适应参数算法,避免因添加特征提取层后,特征量过多导致模型不稳定。通过实验对比,证明了时频图更适合作为输入信号参与轴承故障诊断,并以此为基础,验证了改进后卷积神经网络故障诊断能力。最后,针对改进后的网络模型在轴承跨工况故障诊断时,由于训练数据特征值分布差异较大,网络模型准确率低这一问题,提出了一种迁移学习算法与改进Le Net-5网络相结合的跨工况轴承故障诊断网络方法。该方法通过利用最大均值差异算法,计算不同工况下的源域数据集和目标域数据集分布矩,缩小源域和目标域特征值分布距离,达到域自适应效果,实现网络模型的跨工况故障诊断。实验结果证明了结合迁移学习后的改进网络模型对跨工况轴承故障诊断的有效性。