旋转机械在现代工业中已被广泛应用,机械能否稳定运行直接影响着工业生产是否高效和安全。因此对旋转机械进行诊断,提前发现故障隐患是保障生产人员安全和避免经济损失的有效手段。传统的旋转机械的故障诊断需要人工对信号进行预处理并选取合适的故障特征,这种诊断方案取得了很多成果,但需要依赖一定的专家经验知识,增大了故障诊断的难度。随着深度学习以及工业设备智能化的发展,大量的设备状态数据不断被获取。大量的工业数据以及深度学习在特征提取和模式识别上的优秀表现,使得深度学习为旋转机械的故障诊断提供了新的研究方法。本文将旋转机械作为研究对象,针对旋转机械中的电机偏心故障和滚动轴承故障问题,通过对它们的振动信号进行分析,分别进行了基于传统诊断方案和基于深度学习的端到端故障诊断研究,主要研究内容如下:1.为了实现电机偏心的故障诊断,分析了电机偏心的故障机理。考虑到电机偏心引起电机振动信号中附加额外的振动分量,设计了一种基于希尔伯特变换的时频谱能量特征,并将经过粒子群优化了超参数的支持向量机作为故障诊断的分类器。通过试验验证了设计的时频谱能量特征可以有效地提取电机偏心的故障信息,且在相同的分类器下诊断效果优于对比的两种故障特征。2.针对旋转机械中滚动轴承的多种故障的诊断问题,提出了一种基于多尺度特征的卷积神经网络来自动提取故障特征进行故障的诊断。提出的诊断模型直接将传统的手工设计故障特征和分类模型结合到一起,能够自动从时域信号中提取故障特征实现故障诊断。提出的模型在第一层使用了多种尺寸的卷积核,相较于传统的卷积神经网络可以获取多种尺度的特征。通过试验发现提出的诊断模型可以很好地实现故障诊断,并通过模型输出的可视化验证了模型可以将不同的轴承故障在特征空间上实现分类。3.针对旋转机械中的滚动轴承在实际场景中往往会遇到工作负荷发生变化和振动信号中含有噪声的问题,提出了一种基于自适应批标准层和模型参数迁移的深度学习模型优化方案。该方案在提出的多尺度特征卷积神经网络模型的基础上,利用目标域中信号的均值和方差代替模型批标准化层中源域的均值和方差,并将源域中训练得到的特征提取层参数迁移到目标域下待训练的模型中,改善了模型在变负荷和含噪信号下的诊断准确率。