机械设备是企业生产的重要组成部分,一旦出现故障,轻则导致整台机械设备无法正常工作,重则甚至会造成人员伤亡等问题。故障诊断对及时发现机械设备的安全隐患以保证生产的正常运作具有重大意义,针对机械设备故障诊断方法普遍存在准确率较低、鲁棒性较差等问题,论文提出了一种基于深度学习的智能故障诊断方法,并应用于实际项目中,主要贡献如下:1)论文提出一种基于深度学习的智能故障诊断方法,适用于机械设备故障诊断任务。该方法通过在云端使用机械设备零部件运行初期的振动信号训练LSTMVAE混合模型,然后在边缘端使用已训练好的LSTM-VAE模型对实时振动信号重构,计算原始信号和重构信号的差异度,将其与自适应阈值相比较,并结合“3/5”策略,实现故障预警。实验结果表明,相比其它方法,论文提出的方法能够准确的对不同退化模式的滚动轴承进行故障诊断,并且大幅度提前了在缓慢退化模式下的故障预警时间,具有较高的时效性和较强的适应性。2)针对神经网络模型在参数较多、训练数据不足,或者训练数据中噪声较多时容易发生过拟合的问题,论文提出使用Dropout方法对LSTM-VAE混合模型进行增强。通过引入Dropout方法,提升了LSTM-VAE模型对噪声的容忍能力和在强噪声背景下的鲁棒性,为其应用于真实的工业环境提供了可能,具有重要的工程价值。3)所提出的基于深度学习的机械设备故障诊断方法在数字化车间的应用与实现。为了实现数字化车间机械设备的故障诊断任务,将论文介绍的LSTM-VAE混合模型、自适应阈值方法、“3/5”策略工程化,设计了智能故障诊断程序,并将程序通过消息中间件技术集成到边缘平台管理系统中。最后经过系统测试,验证了所开发的功能的逻辑准确性与完整性,达到了预期的结果。