风机是电厂的重要辅助设备,而旋转失速故障是风机的典型故障之一。因此,针对于风机的旋转失速故障进行故障诊断研究具有现实意义与工程价值。随着数据采集与存储技术的发展,能够获取的故障数据呈现“大数据”的特点。由于传统的故障诊断方法难以处理海量的故障数据,本文对基于深度学习的离心风机旋转失速故障诊断方法进行研究。主要研究内容及成果如下:(1)对离心风机正常工况和不同程度旋转失速故障进行数值模拟。由于风机内部流场分布复杂和测量手段的局限性,难以得到风机内部流场各物理量随时间的变化情况,本文借由计算流体动力学方法得到风机内部关键位置数据信息,为风机旋转失速故障诊断方法研究提供丰富数据基础。在分析离心风机网格划分策略的基础上,基于雷诺时均守恒N-S方程、Realizable k-ε湍流模型、滑移网格模型和节流阀模型,对G4-73No8D离心风机正常工况、弱旋转失速和强旋转失速工况进行非定常数值模拟,并深入分析不同工况流场分布和风机出口全压波动及频率特征,数值计算结果与试验结果吻合良好。在此基础上,采集风机旋转区域截面速度分布云图作为风机旋转失速故障诊断的数据源。(2)基于区域建议网络提取感兴趣区域。由于风机速度分布云图数据量大和冗余信息多,本文设计了一个新的区域建议网络提取感兴趣区域,即对故障分类效果具有关键影响的区域,作为后续故障分类的依据,提高故障分类的准确率。本文首先定义感兴趣区域为包括分离涡和失速团的最小矩形区域,然后对风机速度分布云图进行图像裁剪和图像标注,建立风机图像集。在此基础上,基于选择性搜索算法对图像进行分割。最后设计新的区域建议网络SLENet,通过该网络将分割图像块分为感兴趣区域和背景区域两类确定感兴趣区域。与传统的感兴趣区域提取方法相比,该网络的提取召回率和精确度更高。(3)基于深度学习进行风机故障诊断。本文针对于第三章中建立的风机图像集,设计一种新的故障诊断方法。与AlexNet和Parallel-ResNet-AlexNet故障诊断结果进行对比,结果表明本文所采用的故障诊断方法正确率更高。