邓敏强 邓艾东 朱 静 史曜炜 马天霆，3

(1东南大学能源与环境学院， 南京 210096)(2东南大学火电机组振动国家工程研究中心， 南京 210096)(3 国华太仓发电有限公司， 苏州 215000)

滚动轴承作为风电传动链的关键零部件[1]，其健康状态的准确识别对提高风电机组运行的安全性与经济性意义重大[2].受时变风况的影响，风电机组常处于变速变载荷条件下运行[3].针对变工况下滚动轴承的故障诊断问题，国内外学者开展了大量的研究工作[4].其中，以振动信号分析为基础的诊断方法受到了广泛关注,其主要根据包络谱中的故障特征频率实现滚动轴承健康状态的有效识别[5].然而，该方法一定程度上依赖专家经验，难以实现设备故障的自动诊断[6].

随着机器学习和人工智能技术的发展，数据驱动的旋转机械智能故障诊断受到了越来越多的重视.唐贵基等[7]建立了一种基于快速谱相关和粒子群优化支持向量机的故障诊断模型，赵小强等[8]提出一种基于改进AlexNet的滚动轴承变工况故障诊断方法，施杰等[9]提出了一种变分模态分解与深度迁移想结合的诊断方法.已有的研究成果主要以特征参数、原始时域波形和傅里叶谱等为特征量，其易受转速、载荷等运行条件的影响，一定程度上降低了模型在不同工况下的泛化能力.因此，已有的智能诊断方法在模型构建过程中都需要有标签或无标签训练样本覆盖完整的运行工况.然而，受现场采集条件的限制，难以获得……