滚动轴承作为风力发电机组重要的旋转部件,其健康状态对于传动链甚至机组的正常运行具有重要影响。因此,开展对滚动轴承的故障检测以及诊断具有重要的现实意义。风场运行的不同阶段,其故障数据具有不同的特征。风场建设初期故障数据具有一定的不完备性,无法对轴承故障类型进行建模。当风场经过长期持续运行,各种故障类型数据具有一定积累,为模型建立提供了足够的数据支撑,便可在该数据基础上进行更为精确的故障定位。本文根据风场故障数据是否具有完备性两种情况,分别提出相应的基于深度学习的轴承故障诊断方法。在现场故障数据不完备情况下,针对传统Encoder-Decoder模型无法有效利用信号特征的问题,提出一种基于MALED的异常检测模型。该模型具有从时频信号中自动提取局部频率特征和时间特征的能力,同时能够避免信号被稀释的问题,增强了模型提取特征的能力。通过现场实际数据对模型进行测试,实验表明,本章方法对于轴承异常检测的识别率达到97%以上,验证了本章方法的有效性。在故障数据具有一定完备性的情况下,针对单一小波变换无法充分表达信号特征以及标准卷积神经网络泛化能力差的问题,提出一种基于Mw-1DConvLSTM的故障诊断方法。该方法能够增强振动数据的表征能力、提升模型学习性能。通过研究该模型在不同转速、不同型号轴承下的各种性能指标,证明该方法优于其他融合时频变换与卷积神经网络的方法。