1.一种变转速风电高速轴轴承故障的识别方法，其特征在于，所述方法包括以下步骤：步骤1，轴承故障数据采集，过程如下：

根据相似原理建立风电传动系统实验平台，通过实验平台对常见的轴承故障类型进行模拟，布置相关传感器采集轴承的振动信号和高速轴键相脉冲信号；

步骤2，计算阶次追踪，过程如下：

通过键相信号描述高速轴的累积转角，并建立转角与时间的局部对应关系，进而实现等角度增量重采样，将时域非平稳信号转换成阶次恒定的角域伪平稳信号；

步骤3，轴承振动信号预处理，过程如下：

对角度域高速轴轴承振动信号进行傅里叶变换得到相应的阶次谱，采用经验小波变换对阶次谱进行自适应分割，得到相应的固有模态分量；计算峭度值筛选出最能反映轴承故障信息的固有模态分量，并利用自相关去噪法对固有模态分量进行降噪处理；

步骤4，一维角度域特征向量转换为二维角度‑阶数特征矩阵，过程如下：对角度域轴承振动信号进行Gabor变换，得到二维角度‑阶数矩阵，其中，行向量表示信号中某一阶次成分随着时间变化的幅值变化序列，列向量表示特定角度下信号中的阶次成分的变化序列；

步骤5，图像锐化处理，过程如下：

利用Sobel算子对角度‑阶数矩阵进行边缘检测，然后将得到的边缘信息与原始图像叠加，实现二维角度‑阶数图像的锐化；

步骤6，基于卷积神经网络的图像特征自动识别与分类，过程如下：将步骤5所得到的二维角度‑阶数矩阵作为数据集，制作卷积神经网络的训练集与测试集，构建卷积神经网络模型，输入训练集样本，完成训练样本任务；将测试集输入已训练好的卷积神经网络，则输出即为轴承故障类型检测结果。

2.如权利要求1所述的一种变转速风电高速轴轴承故障的识别方法，其特征在于，所述步骤2的过程如下：

2.1)利用高速轴转速脉冲信号拟合转轴转角和时间的函数关系：

2 3 4

θ(t)＝a0+a1t+a2t+a3t+a4t    (1)式中，a0、a1、a2、a3、a4为多项式系数；

2.2)相邻2个键相脉冲信号的角度间隔固定为2π，计算振动信号角域重采样的时刻值：式中，

对转角按等角度采样间隔Δθ离散化，则：

式中， Tn为第n个等角度采样点的时刻；

2.3)根据等角度采样时刻Tn，对信号进行拉格朗日插值运算，求取振动信号在Tn时刻的幅值，得到阶比恒定的重采样角域振动信号。

3.如权利要求1或2所述的一种变转速风电高速轴轴承故障的识别方法，其特征在于，所述步骤1中，轴承数据采集的过程如下：选取轴承型号为81104推力圆柱滚子轴承，通过弹簧加载装置对轴承施加径向载荷，设置5种故障类型，分别是：正常轴承、滚子磨损、内圈磨损、外圈磨损和保持架磨损；通过伺服电机实现主轴的变速旋转，在联轴器旁布置光电传感器，在轴承座上方布置加速度传感器，针对5种不同故障类型分别采集高速轴轴承的振动信号和转速信号，采样频率为10.24kHz，采样时间为10s。

4.如权利要求1或2所述的一种变转速风电高速轴轴承故障的识别方法，其特征在于，所述步骤3的过程如下：

3.1)对重采样角域振动信号进行傅里叶变换求得阶次谱，检测阶次谱包络极大值序列，按降序排列，通过阈值设置选取相应的主极大值，确定经验小波分解个数N，将重采样角域振动信号的阶次谱进行自适应分割为N段，得到相应的固有模态分量；

3.2)分别计算各固有模态分量的峭度指标，选取峭度值较大的7个分量叠加重构；

3.3)对重构信号进行奇异值分解，将较大的奇异值进行保留，余下奇异值舍弃，再通过奇异值分解的重构算法将矩阵重新构造，得到降噪后的角域轴承振动信号。

5.如权利要求1或2所述的一种变转速风电高速轴轴承故障的识别方法，其特征在于，所述步骤4过程如下：对步骤3处理后的信号进行Gabor变换，得到信号的角度‑阶次谱图，实现一维角域信号转化为二维角度‑阶次系数矩阵；

式中：τ为窗函数角度滑移长度；O为阶次；x(θ)为输入角域信号。

6.如权利要求1或2所述的一种变转速风电高速轴轴承故障的识别方法，其特征在于，所述步骤5的过程如下：

5.1)采用Otsu算法分割图像，得到图像P1；

5.2)采用Sobel算子模板分别对分割后的图像P1和原始图像进行卷积，得到两组边缘检测图像；

5.3)将两组边缘检测图像叠加，完成图像锐化，增强原始图像的边缘信息。

7.如权利要求1或2所述的一种变转速风电高速轴轴承故障的识别方法，其特征在于，所述步骤6的过程如下：设置两层卷积层、两层池化层与一层全连接层，所有卷积核大小设置为5*5，每层卷积核的数量分别为16和32，卷积核步距为2，激活函数选取ReLU，池化方式为最大池化，通过展平层将二维矩阵转换为一维特征向量，设置三层全连接层，神经元个数分别为2048、1024和

128，初始学习率设置为0.0001，损失函数设置为交叉熵损失函数。