智能制造背景下,机械系统的结构越来越复杂多样,对其关键零部件进行准确及时的故障诊断变得愈发重要。但是,在实际的工业生产环境下,采集到的真实数据通常存在数据量大、噪声多和故障样本少等特点,这无疑加大了故障诊断的难度。然而传统深度学习模型在面临复杂数据时,受限于特征提取能力不足且无法处理不平衡小样本,从而难以获得较为理想的诊断结果。因此,本文针对这些问题改进设计了两个自编码器模型,加强了特征传输共享能力及不平衡小样本处理能力,并将其用于机械零部件的故障诊断中,提高了故障诊断准确度。首先,针对特征提取能力不足问题,提出了多通道传输的栈式剪枝稀疏去噪自编码器。新模型提出的全连接网络架构、非优单元剪枝、多通道特征融合和增强稀疏性表达等方法,在改变传统单通道特征传输方式的同时,进一步限制网络拓宽,加强了层级间的特征信息共享。该模型在凯斯西储大学公开的轴承数据集的故障诊断实验中,取得了99.94%分类准确度,验证了新模型具有更强的特征提取及分类能力。其次,针对不平衡小样本问题,在保留多通道优势的前提下,提出了栈式重构剪枝自编码器。该模型在两个层面进行改进:在数据层面,提出改进平衡过采样和窗口分割重构的混合扩充方法,实现样本类间平衡扩充和同类重构扩充;在模型层面,首先提出浅特征通道,保证浅层信息的充分利用;再结合对小样本表现更优秀的粒子群优化的支持向量机进行顶层微调和分类。最后利用帕德伯恩大学公开轴承数据集验证了该模型对不同工作场景下的不平衡小样本数据都有较强的故障诊断分类能力。然后,为了验证两个模型在真实的工业场景下故障诊断的有效性,利用空调胀管质量故障诊断项目中采集到的真实原始数据,分别设计了大、小两个样本的故障诊断实验。本文所提出的两个模型分别在两个实验中取得了98.75%和98.13%的分类准确度,优于常见故障诊断模型,进一步说明模型的实用性和优越性。最后,对全文进行了总结,并对未来有价值的研究方向进行了展望。