螺栓连接具有承载能力强、便于维护和更换等特点,但由于螺栓的可拆卸性使螺栓连接结构工作时常常会发生松动故障。螺栓连接松动故障不仅会影响机构的正常使用,缩短使用寿命,甚至会造成人员伤亡事故。为了避免灾难性后果,对螺栓装配紧度进行在线监测及评估显得尤为重要。卷积神经网络在轴承、齿轮等机械零件的智能诊断中取得了良好效果,然而,基于卷积神经网络的智能机械故障诊断研究未充分关注不同深度的卷积神经网络模型在多传感器信号上的性能。在本文中,我们提出了一系列基于卷积神经网络的算法来学习多个传感器采集到的激励响应信号数据的特征,并诊断螺栓连接结构的松紧状况。本文首先提出了具有两层卷积层的卷积神经网络,对1维原始机械信号进行状态监测。在车架试验台螺栓连接转子激振试验数据上训练该模型,识别率可以达到97%以上。由于深层卷积神经网络(DCNN)相比浅层CNN在没有先验知识的情况下从激励响应信号中挖掘代表信息和敏感特征的能力更强,因此本文提出了一种DCNN模型。DCNN具备特征提取、特征选择和分类的能力,能够将原始数据作为输入,并提供辨识结果作为输出。还研究了网络架构的不同参数和配置对网络性能的影响。为了对不同传感器测点的数据同时进行训练,从而使得模型可以在多测点数据中获得高识别率,提出了基于Shortcut方法的残差深层卷积神经网络(RDCNN)模型。该模型提升了DCNN模型对多测点信号的状态监测能力,并解决了模型网络层数不断加深时,出现的训练集精度和测试集精度都不高的退化现象。针对传统特征提取方法通常对机械系统物理性质的变化敏感的不足,提出了基于迁移学习方式的Network in Network深层卷积神经网络(NINDCNN)模型。NINDCNN模型具有很好的可迁移性,其自动地从机械数据中学习重要的“特征提取滤波器”,可以在变测点与变任务中获得很强的适应性能。为了减小CNN的训练难度,为CNN引入了Inception Module,做到了提升准确率且易于训练。