在现代工业生产中机械设备的智能化程度不断提高,这些设备在大幅提高生产效率的同时也带来了维护上的困难。现实中即使是一个不明显的小故障也可能会因为时间的累积导致严重事故进而导致经济损失甚至是人员伤亡,因此我们希望能够对设备及时的检修防止事故的发生。然而如果仅仅使用人力检修必然需要停机然后耗费大量的时间才能完成,而这期间也会造成大量的经济损失。为了实现对机械设备快速有效的检测和维护,机械的智能故障诊断技术越来越受到研究者的重视,且其已经成为现代工业4.0的一个重要研究课题。机械的智能故障诊断技术在提高故障诊断的速度和精度的同时也降低了设备的维护成本。借助于机器学习技术特别是深度学习技术故障诊断算法变得越来越有效和智能,其在准确率和稳定性上都大幅提高。然而目前的故障诊断算法依然有很多可以优化的地方。比如:目前大多数故障诊断算法依赖于使用专家经验完成特征提取的任务、故障诊断模型的训练速度和诊断效果很难兼顾、大部分研究都没有考虑当诊断出现错误所产生的不同代价进而对算法的评价过于乐观等等。针对上述存在的一些问题本文分别尝试使用卷积神经网络处理原始振动信号、代价敏感学习等方案来解决。卷积神经网络(CNN)具有参数少、充分利用局部特征、特征提取能力强等特点,基于此其在图像识别领域取得了巨大成功。故障诊断从机器学习的角度可以归结为一个分类问题,从原始的机械振动信号中提取的用于分类的特征的好坏关系到最终分类的效果。基于CNN特征提取能力强的特性本文使用其作为本文研究的基础网络结构并让它直接处理原始振动信号,用CNN来自动提取原始振动信号中的特征能消除对专家经验的依赖提高故障诊断的智能程度。此外在网络结构的设计上采用更小的卷积核(3X3)和更深的网络结构(7层卷积层),并减少全连接层的数目(2层全连接层),这样不仅提高的网络的特征提取能力还减少了网络的参数数量。在研究二维CNN网络故障诊断方法过程中本文设计了一种结合数据重采样和错位堆叠的振动数据二维化的方法,在充分挖掘振动数据的周期性特征的同时提高了数据预处理的易用性。数据不平衡的问题在很多实际应用中都存在,故障诊断中的数据不平衡问题非常明显但大部分研究都未给予充分的重视。由于不同类别的故障数据在数量上是不平衡的,数量少的类别在数据驱动的诊断技术中通常会有更高的错误率然而却有更大的误分类代价。为了解决故障诊断中存在的数据不平衡的问题,本文应用了代价敏感学习的方法并与CNN结合,同时扩展了在多分类不平衡问题中的评价指标,实验结果表明本文的方法在典型的故障诊断数据集上取得了良好的分类效果。