1.一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法，其特征在于，包括如下步骤：

步骤1)数据预处理，过程如下：对采集到的振动信号进行预处理，要求所有振动信号的采样频率一致，同时将振动信号处理为相同长度，每个类别的样本数量尽量相同，训练数据和测试数据需要打上标签；

步骤2)多尺度振动分解，过程如下：获得多尺度的振动信号分量，通过将小波包分解引入到分层的卷积神经网络中，在数据传递到输入层之前，自适应地将非平稳振动信号分解成不同尺度的信号分量，对于原始2

信号s(t)∈L (R)，小波包分解表示为原始信号s(t)在小波包基 上的投影系数：

其中{ps(n,l,k)}k∈z表示原始信号s(t)在小波包空间 中的WPD序列，l为尺度坐标，即l

层数，n是震荡次数，n＝0,...,2，k是位置坐标；

步骤3)多尺度特征提取，过程如下：提取到原始振动信号中的多尺度信息，使用两个卷积层和两个池化层来学习每个信号的故障特征：

对每个输入信号都进行如下卷积计算T

yi＝f(wxi:i+m‑1+b)           (2)其中，  是滤波器权值向量，b是偏置项，x是长度N的输入信号，xi:i+m‑1是从i开始的长度m的子信号，m＜N，f(·)是非线性激活函数，采用修正线性单元ReLU；

在经过以上滤波器处理之后，第j个滤波器的特征映射如下：yj＝[y1,y2,...,yN‑m+1]                      (3)每个池化层中的最大池化操作定义为：其中p为用来计算特征映射局部最大值的池化长度，第k个池化的特征映射是：hk＝[h1,h2,...,h(N‑m)/p+1]                      (5)对每个信号使用相同的滤波器大小，由于每个信号的长度相同，但频率不同，因此输出特征映射以不同的标度捕获每个信号；并合并特征：假设在最后一对中使用了k2个滤波器，那么就有了k2个新特征图，对于每个信号分量 其合并的特征映射表示为：最后，简单地连接每个信号分量的特征表示：(1) (2) (n)

H＝[H ,H ,...,H ]                     (7)这里的n是输入信号分量的个数，经过以上步骤，H包含了原始信号的多尺度特征表示，由于每个信号分量是互补的，所以不存在重叠信息；

步骤4)分类，过程如下：

根据获得的特征表示来识别出故障类型，从而达到最终的故障诊断目的，将特征表示通过1个全连接层，然后，使用softmax函数计算出每个类的条件概率：其中，θ是模型参数， c是类别个数；

根据概率大小得到最终分类结果：

2.如权利要求1所述的基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法，其特征在于，所述步骤2)中，振动信号经过分解之后，得到不同尺度的振动信号分量，各个分量包含了不同尺度的信息，比原始信号包含更充足的信息量，不同的故障类型具有不同的故障频率，因此，当不同类型的故障发生时，不同频段的信号也会发生相应的变化，与从原始信号中提取故障特征相比，在不同频段能从信号分量中提取更有效的故障特征；对于WPD，滤波信号是根据频率从原始信号中分离出来的，因此结果是互补的。