单向阀是往复式高压隔膜泵中最主要的组件之一,其工作状态直接影响到高压隔膜泵运行的安全性和企业的生产效率。在生产过程中,往复式高压隔膜泵工作环境恶劣、工况多变,所输送矿物浆体等通常具有高压、高温、高腐蚀和高浓度等特性,且其自身机械结构复杂,各运动部件间互相产生影响,因此,所采集到的单向阀振动信号呈现非平稳非线性、成分复杂且伴随着强噪声,导致特征提取和故障诊断难度大。针对这个问题,结合时频分布图像在表征信号特征信息方面的优势,以及深度学习能够挖掘数据内在联系,建立特征与状态间复杂的映射关系的优点,提出了基于深度置信网络的单向阀故障诊断方法,主要研究内容如下:(1)针对单向阀振动信号呈现非平稳非线性、成分复杂且伴随着强噪声,单一域的特征表示如时域或频域特征等不能很好地表征振动信号,会受到较多无关信息影响的问题,提出使用振动信号的时频分布图像来表征单向阀的状态特征。获取单向阀振动信号的短时傅里叶变换(Short-time Fourier Transform,STFT)、Wigner-Ville分布(Wigner-Ville Distribution,WVD)、S变换(S-transform)以及广义S变换(Generalized S-transform)4种时频分析方法的时频分布图像,通过分析对比,广义S变换的时频分布图像具有受噪声干扰小、时频聚集性更好的优势,且在各种运行状态下的广义S变换时频图像在能量密度分布上具有明显的差别,能够较为准确地完成单向阀的故障检测。(2)关于往复式高压隔膜泵单向阀故障机理研究尚不完全成熟,没有确定的指标或是时间频率函数等来表征单向阀的状态信息,因此,在基于时频分布图像能够区分单向阀运行状态的基础上,引入模式识别方法,提出基于广义S变换和深度置信网络(Deep Belief Network,DBN)的单向阀故障诊断方法。首先使用广义S变换得到各状态振动信号的时频分布图像,之后用二维非负矩阵分解(2-Dimension Non-negative Matrix Factorization,2DNMF)计算时频图像的行基矩阵、列基矩阵以及特征矩阵,同时完成对时频图像的降维,降低计算量,最后将特征矩阵转换为特征向量输入DBN故障分类模型,完成单向阀的故障诊断。通过实验分析比较,证明了该方法的可行性。(3)使用DBN分类识别之前需要将特征矩阵重新排列成向量,会丢失时频分布图像二维平面上的特征,且DBN参数多、计算量大。针对这个问题,结合卷积神经网络(Convolutional Neural Networks,CNN)的优点,提出了基于广义S变换和卷积深度置信网络(Convolutional Deep Belief Network,CDBN)的单向阀故障诊断。使用阈值分割法分割压缩过的广义S变换时频分布图像,突出时频图像的能量密度分布较高的部分,之后直接将特征矩阵输入CDBN故障分类模型进行故障分类。通过实验分析对比,结果表明CDBN故障分类模型收敛速度快、识别准确率高,表明该方法能够很好地完成单向阀的故障诊断。论文以单向阀为研究对象,针对单向阀振动信号中特征信息不易提取的问题,提出了时频分布图像和深度学习相结合的故障诊断方法,实现了单向阀的故障特征提取以及故障诊断。