随着现代工业系统愈发的复杂和庞大,机械化水平的不断提高,人们为了避免因为机械故障导致的财产损失,对机械故障诊断方法的要求越来越高。旋转机械是机械设备的重要组成部分,已广泛应用在船舶、化工、航空等诸多领域,因此对旋转机械的故障诊断和故障预测对保障机械系统的安全运行有着非凡的意义。传统的故障诊断方法一般需要采集信号,通过人工对采集的信号提取故障特征来判断是否发生故障,因此传统的方法非常依赖于操作人员的经验和专业知识。而基于深度学习的故障诊断方法不需要人工特征提取的过程,直接以故障信号作为输入,实现自适应端到端的智能故障诊断。卷积神经网络是深度学习算法中最经典和应用最广泛的算法之一,其具有强大的特征提取能力和信息融合能力。本文以旋转机械为研究对象,对传统的卷积神经网络进行改进,完成了以下内容的研究:1.首先详细介绍了卷积神经网络的核心思想及其基本组成结构,提出了一种基于CNN1D-LSTM的旋转机械故障方法。该方法克服了传统故障诊断方法需要人工提取特征这一困难,自适应地提取振动信号中故障特征,真正实现端到端的故障诊断。振动信号是一维的时序信号,传统的CNN网络无法提取信号中的时间序列特征,因此对传统的CNN进行改进,将CNN网络与LSTM网络各自的优势结合在一起,在提取故障特征的同时提取时序特征。通过凯斯西储大学轴承数据集对该模型验证其故障识别率,并与传统CNN方法进行对比。2.为了进一步提升模型的故障诊断能力,本文提出了CNN1D-LSTM-Attention模型。该模型主要是对CNN-LSTM模型引入了注意力机制模块,在LSTM后添加了一个子网络,使模型获得注意力的能力。注意力机制可以使模型重点关注对故障诊断有积极意义的信息,剔除无用的噪音信息。通过CWRU数据集进行验证,实验结果表明故障诊断识别率高于CNN1D-LSTM模型。3.利用卷积神经网络擅长处理二维图像的优势,将一维振动信号转换为二维的特征矩阵形式,建立CNN2D-LSTM-Attention模型。二维模型结构与一维结构相同,对超参数进行相应地调整,通过CWRU数据集进行对比,实验结果表明使用二维输入的CNN2D-LSTM-Attention模型具有较高的的迭代速度和故障识别率。4.为了验证CNN2D-LSTM-Attention模型的通用性,使用该模型对实验室采集的齿轮故障数据集进行故障分类。齿轮故障数据包括正常、点蚀、磨损和断齿四种健康状态,故障分类准确率为99.03%。可以看出该模型具有较好的泛化性,可以应用于轴承和齿轮等旋转机械的故障诊断。