机械振动是机械设备运行过程中的一种现象,能够反应出设备的运行状态。旋转机械作为现代机械设备的核心部件,广泛应用于各个领域。其核心零部件如齿轮、轴承等因为持续工作在恶劣环境下,必定会出现不同程度的结构损伤,进而导致整个机械系统发生状态退化。基于振动信号的机械设备故障诊断成为监测设备状态的一种主要形式,能够有效的提高系统可靠性。神经网络因其强大的海量数据处理能力而广泛流行于各个领域,其通过模拟人脑,构建多层非线性映射,挖掘出数据隐含的信息。因此,围绕着神经网络,本文展开了以下几个方面的工作:1.针对旋转机械因为工作需求需要切换到不同的负载下运行进而导致振动信号分布不一致,导致故障诊断模型出现准确率下降的问题,使用了基于迁移学习的迁移卷积神经网络模型,该模型综合利用了多种迁移学习方法,能够有效地解决因源域数据集与目标域数据集分布不一致而导致的模型退化问题,并在凯斯西储大学轴承数据集和PHM 2012轴承数据集上均做出了仿真分析。仿真结果表明,与卷积神经网络故障诊断模型相比,所提出模型在处理跨负载故障诊断任务时具有更优的性能。2.针对现阶段基于深度学习的故障诊断算法没有充分利用滚动轴承振动信号的特性,提出了一种基于循环平稳信号分析与卷积神经网络的故障诊断方法。滚动轴承故障信号属于典型的循环平稳信号,采用循环谱相干性分析能够从多个维度揭示轴承故障信息,是一种有效的数据预处理方法。同时,建立二维卷积神经网络模型,以实现对循环谱相干输入数据的图像故障特征提取。将所提方法在凯斯西储大学轴承数据集上作出了仿真分析。仿真结果表明,与其他方法相比,所提方法具有更强的学习能力,且能够及时的捕获故障的发生。3.从工程应用的角度出发,利用MATLAB的GUI环境开发了一套基于循环谱相干的滚动轴承故障诊断开发系统。该系统结合循环平稳信号分析与卷积神经网络技术,能够对输入的振动信号进行故障诊断,为工程人员提供了很大的帮助,提高了机械系统的可靠性,使得研究内容更具实际价值。