旋转机械设备在现代工业中应用非常广泛,在实际运行中,会不可避免的发生故障,往往导致重大经济损失甚至人员伤亡。旋转机械关键部件由于运转速率、工作环境等情况使其成为旋转机械设备的主要故障源。因此,旋转机械关键部件故障诊断的研究意义重大。特征提取作为故障诊断的关键环节,其特征表征能力直接影响到诊断结果,但是目前一些以信号处理为基础或是运用浅层的机器学习方法的故障诊断技术大部分为人工提取特征,这就导致如果缺乏专业的信号处理技术和足量的先验知识,就无法准确提取有效特征,难以保证故障诊断精度。受国家自然科学基金青年项目(51505311)、面上项目(51875375)和苏州市重点产业技术创新项目(SYG201802)资助,本文针对现阶段旋转机械故障诊断存在问题,在深度学习框架下开展旋转机械关键部件故障诊断研究。在深入理解深度信念网络和卷积深度信念网络基本理论的基础上,加以改进优化使之更适用于机械故障信号特征学习的需求,使得模型可以从机械状态信号中自动学习数据的深层次特征,提出并验证了基于这两个网络的旋转机械故障定性、定量的诊断方法。首先,针对列车关键部件(轴承)的故障识别问题,提出一种基于优化深度信念网络的自适应故障诊断方法。将原始振动信号转换至频域信号作为模型的输入。考虑到在模型的训练过程中可能会出现最优值的过度拟合或缺失问题,在标准动量法中添加修正因子,赋予动量项预判能力,接着使用学习率调整策略使其自适应选择梯度更新过程中的下降步长从而优化参数的更新过程。最后,通过顶层分类器完成全局微调,以构成整个模型。先后利用列车轮对轴承数据集、凯斯西储大学轴承数据集和自制轴承故障测试台收集的不同健康状况的轴承数据集对所提方法的性能进行了验证。结果表明该模型可以完成故障类型、故障程度及复合故障的识别,与标准深度信念网络和支持向量机相比具有较好的收敛性和更高的测试精度,增强深度信念模型的泛化能力的同时稳定有效地提高模型训练的收敛性。其次,在使用深度信念网络模型进行故障检测时增加采样时间来获得更好的检测效果,使得输入信号的维度增加,进而导致模型的训练速度和前向计算速度降低,参数调整更加困难。针对以上问题,对卷积深度信念网络加以改进优化,提出了端对端故障诊断模型。将频域信号折叠为图像后进行带通操作,滤除图像中的高频噪声和低频的色块,接着在模型训练过程中引入Adam优化器加快模型训练,提高模型收敛速度。最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。将所提出模型与传统的堆叠自动编码器、人工神经网络、深度信念网络以及标准卷积深度信念网络作对比,试验结果表明所提模型具有更高的诊断精度,有效地实现了轴承故障的定性、定量诊断。最后,对所做工作进行了总结并对后续研究提出了几点展望。