深度神经网络是从信息处理的角度,让计算机自动学习有用特征的模型,其出色的特征提取能力在机械设备的故障诊断中有着很好的应用前景。基于传统浅层学习模型的故障诊断方法需要有关机械信号与故障类型的先验知识,且无法全面深刻地提取到用于准确分类的信号特征。本文详细阐述了基于深度学习模型的机械传动设备的故障诊断研究,针对频域信号和时域信号分别提出的深度故障诊断系统可以自动、高效、有针对性地提取特征,从而完成故障类别诊断与故障尺寸预测的目标。首先,针对普遍存在的学习步长不易选择的问题,提出了一种自适应步长的深度神经网络训练算法。该算法根据相邻两次迭代后梯度方向的关系进行最优步长的选择,若两次梯度方向相同则加深权重优化速度,梯度不同则减慢优化速度。为了验证该方法的有效性,以卷积神经网络为例,进行固定步长算法与自适应步长算法的对比实验,证明了自适应步长算法可以一定程度上减少初始步长选择不当所造成的收敛困难。其次,提出了针对频域信号的集成故障诊断模型(ISDAE),该模型首先对原始时域信号进行频域转化,并通过降噪层和特征提取层从信号中去噪声和提取特征,进而完成故障诊断。利用滚动轴承数据集和齿轮箱数据集对该方法进行了实验,结果表明ISDAE与其他深度故障诊断模型(如DBN)相比有更高的识别精度。特别是在原始信号具有随机噪声的情况下,其降噪能力使得该模型仍能实现高精度诊断。进一步,为了将原始时域信号直接用于分类,提出一种基于自适应深度卷积网络(ADCNN)的分层故障诊断模型。该模型对原始时域信号进行层层特征提取并分类,防止频域变换过程中信号特征的丢失,并降低了诊断过程的复杂度,从而达到很高的识别精度。通过与经典故障诊断方法SVRM模型的对比,证明了其可靠性与优越性。最后,对所做工作进行了总结并对后续研究提出了几点展望。