高信息化水平的工业过程故障管理平台对设备的维护与检修具有重要的作用,而故障分类技术是其中的重要一环。工业界通常采用统计分析、小波分析等传统的数据驱动方法,利用数理统计信息或时域、频域和空间域的信息对故障建立模型,具有较强的解释性与可靠性。而最新发展的深度学习算法取得了强劲的性能,但其可解释性和理论适用性较差。可将深度学习与传统方法相结合,以进一步提高故障分类的精度。在传统的故障分类技术中,常使用小波变换对信号进行去噪处理,但也舍弃了故障的部分频率分量。通过端对端设计的离散小波变换,可自适应地提取所需的频域特征,并结合深度残差网络以进一步提取出故障在频域内的深层模式。实验结果表明该算法在故障分类任务中取得了良好的效果。针对自编码器算法在特征提取中的盲目性问题,提出了小波自编码器(Wavelet Auto-encoder,简称WAE)对信号数据进行空间域的聚焦描述,使之更适用于分类任务。并将小波自编码器与深度残差网络相结合搭建了分类模型,实验结果表明该算法优于自编码器等常规深度学习算法。在现有卷积神经网络的应用中,通常对信号数据设置二维的感受野以提取时域、空间域的关联特征。但这将对变量的排列次序敏感,其特征提取过程的鲁棒性较差。为了解构时域和空间域中的关联性,提出了一维卷积与池化操作,独立提取各个特征变量的时域特征,并结合定宽卷积核提取空间域特征,最终搭建了一维多路的卷积神经网络。实验结果表明该算法提高了故障分类的精度,相比现有算法取得了更强的性能表现。