汽轮机转于作为电厂设备中的关键构件,一旦出现故障将造成不可估量的经济损失甚至人员伤亡,因而寻求一种快速、准确的故障识别方法至关重要。以往的故障识别过程,不仅包括信号采集、信号处理等专业知识,还需要对机械的运行状态和故障相关背景知识有所了解,增加了故障诊断的难度,设计耗时且通用性难以保障,因此讨论如何简化故障诊断过程,同时提高故障识别准确率和抗噪能力,是极具研究价值和实际意义的研究工作。近年来,随着人工智能在诸多领域不断取得突破,深度学习也得到了广泛应用,计算机的强大计算能力能够学习到大数据下的潜在规律,使得信号处理变得更加方便。本文针对传统机械设备故障诊断方法存在的问题,以汽轮机转子为研究对象,提出一种改进的深度卷积神经网络算法(Improved Deep Convolutional Neural Networks,IDCNN),该算法能够准确高效地对汽轮机转子常见故障进行识别分析。主要研究工作及成果如下:在对汽轮机转子故障监测技术以及故障振动机理进行分析的基础上,利用现有实验室设备搭建汽轮机转子故障模拟实验台。针对汽轮机转子正常运行、转子不对中、转子不平衡、动静碰磨四种状态进行模拟实验,采集故障振动信号,并对原始信号进行预处理,为下一步的信号分析奠定基础。结合神经网络基本理论和深度学习基本思想,构建了针对于汽轮机转子故障诊断的一维卷积神经网络模型。利用模拟实验采集到的各组故障数据对模型进行训练、测试,对比结果表明了该方法的有效性。从而,为通过改进卷积神经网络的方法,实现进一步提高该模型的性能提供了有力支撑。提出了针对于汽轮机转子故障诊断的改进的深度卷积神经网络框架模型,该网络模型第一层卷积层采用大卷积核,提出在第一层卷积前添加破坏输入,有效提高模型抗噪性能;进一步提出每层卷积操作后进行批量归一化处理,该模型降低了卷积神经网络的设计难度且收敛速度快,极大的提高了模型的识别效率,特别是在大数据情况下,识别准确率较高。另外,提出采用全局平均池化层代替模型中的全连接层,极大的降低了传统卷积神经网络模型的参数数量和过拟合的风险。基于统计学指标,通过模拟故障数据对模型进行性能分析,同时选取分类回归树算法(Classification and Regression Tree,CART),K 近邻算法(K-Nearest Neighbor,KNN)支持向量机(Support Vector Machine,SVM)和LeNet-5几种传统算法进行比较,验证本文所提出模型的识别能力及抗噪性。结果表明.:CART、KNN算法的识别准确率均未超过70%,SVM算法的识别准确率为82%,而本文所提出的IDCNN诊断模型的识别准确率可达95%;IDCNN故障诊断算法在不同的含噪测试集下较SVM与LeNet-5两种经典算法识别准确率高且稳定性较强,在不同信噪比下准确率均可达到88%以上,体现出了较大优势。