随着计算机、传感器和通信技术的发展,现代工业系统变得越来越复杂。如何保证机械设备的可靠运行,在设备发生故障时精准的定位故障并且快速修复故障变得十分重要。故障诊断就是一种在设备发生故障时,确定故障发生原因的技术,在实际生产过程中能够帮助工厂进行快速的故障排查和故障修复。故障诊断的方法有很多种,目前基于传统机器学习的故障诊断方法应用广泛,这种方法能够不依赖系统的先验知识,直接从采集到的工业设备运行数据中挖掘出设备的故障特征。但是传统的机器学习算法存在维度灾难、过拟合等问题,而且对于不同的设备往往需要人工的构造特征,泛化性能不好。本文针对这些问题,将深度学习的方法引入到机械设备的故障诊断之中。本文的主要工作有:1、提出了一种基于深度自编码网络的机械设备故障诊断方法,利用收缩自编码构建深层网络,实现设备故障特征的自动挖掘,移除对人工构造特征的依赖,提高方法的泛化性和通用性。2、提出了一种一元分类的融合算法,通过分辨设备的已有故障类型和未知故障类型,提高模型的准确率。3、通过实验数据验证本文方法的有效性并与当前普遍使用的基于机器学习的故障诊断方法进行比较,详细分析影响模型准确率的因素。