旋转装备是制造业中应用最广泛的制造装备,其可靠性对制造行业的生产和发展具有深远的影响。随着装备结构的复杂化和精密化程度不断提高,其故障带来的直接或间接损失愈发难以承受,因此故障诊断技术对于提高装备的可靠性和维护效率具有重要的现实意义。鉴于此,本文对旋转装备故障诊断中的时频特征提取技术、运行状态异常检测技术、装备故障诊断技术以及跨工况下的自适应故障诊断技术进行研究,采用滚动轴承及铣刀振动数据验证所提方法的有效性。本文提出基于多分辨率和时频域分析的信号特征提取方法,采用孤立森林算法对状态信号进行异常检测。该方法利用离散小波变换将信号分解为不同频段的信号分量,抽取主导分量进行信号重构。采用连续小波变换对重构信号进行时频变换,获得信号时频域内的特征矩阵。通过孤立森林算法对时频特征进行异常检测并获得异常信号样本,完成装备的状态异常检测。采用滚动轴承振动信号对本文方法的有效性进行验证。对基于卷积神经网络的装备振动信号故障诊断技术进行研究用于解决复杂装备故障源定位困难问题。本文选择典型故障振动信号时频特征矩阵作为卷积神经网络模型的输入,分析对比模型结构参数对诊断性能的影响,建立合理故障诊断模型。在模型训练中,利用数据增强和正则化方法对诊断模型进行优化,提高其鲁棒性和泛化性。采用滚动轴承和铣刀振动信号对本文所提方法进行有效性验证,并进一步与传统方法进行对比,证明所提方法的优越性。本文研究基于迁移学习的变工况故障诊断技术用以解决小样本故障诊断问题。将卷积神经网络模型作为基础诊断模型,利用已知工况下的大量样本作为迁移学习的源数据集完成模型预训练,然后将模型迁移到新工况小样本故障诊断任务中。采用新工况小样本数据集对迁移诊断模型进行微小调整,实现跨工况诊断模型的迁移。最后,利用多种载荷状态下的滚动轴承故障信号验证本文迁移模型诊断效果。本文的研究对丰富复杂旋转装备的故障诊断方法具有理论意义,对提高装备故障诊断准确率、提高装备可靠性和运维效率具有工程实用价值。