自工业迅猛发展以来,石油化工、电力、冶矿等行业为了增加生产效益,不断升级设备,导致工业设备与工业系统趋向大型化、智能化、复杂化,设备维修成本也随之提高。因此,对设备运行状态进行监测与故障诊断,成为当前的研究热点之一。轴承与其转子系统构成复杂的非线性动力学系统,导致其振动信号特征与运行状态之间存在较强的非线性关系;而振动信号的特征提取与选择往往需要大量的先验知识,导致特征的设计难以准确反映不同的运行状态。且复杂机械设备内部各个功能单元之间相互关联、相互制约,导致设备运行状态与其信号特征具有时变性的特点,因而利用离线数据建立的单一静态模型难以完备、有效地反映设备实时运行状态。针对以上问题,围绕复杂机械设备故障诊断中的特征提取、模型更新等关键问题,本文展开基于卷积神经网络(Convolutional Neural Networks,CNN)与极限学习机(Extreme Learning Machine,ELM)的故障诊断方法研究,滚动轴承振动信号的特征提取与故障类型识别是研究的核心内容,主要研究内容及创新点如下:(1)提出基于固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)-多尺度熵(Multiscale Entropy,MSE)的振动信号分析方法,对振动信号进行预处理,提取重构信号时域特征,并结合ELM对风电轴承运行状态进行识别。试验结果表明,本文模型可以准确识别轴承运行状态。(2)为了克服多域特征表征设备运行状态存在的信息冗余问题,提出基于多域特征维数约简与ELM模型的故障诊断方法,利用LLTSA从高维特征空间提取低维流形,实现信号特征的维数约简,保证模型分类性能。高压隔膜泵单向阀与轴承运行状态监测实验表明,对振动信号进行特征维数约简,降低特征间的冗余性,可提高ELM模型的故障识别精度。(3)为了解决振动信号特征自适应提取问题,提出基于CEEMD与CNN的特征提取方法,从振动信号时频图中自适应提取其敏感特征,表征设备运行状态。将该方法应用于不同负载、不同故障深度的轴承试验中,结果表明该方法能够在多种工况下有效地提高故障识别率。(4)为了解决静态模型难以准确识别设备动态运行状况的问题,提出基于CNN与在线序贯极限学习机(Online Sequential-Extreme Learning Machine,OS-ELM)的故障诊断方法。OS-ELM通过逐步增加新样本来实时更新故障诊断模型,不仅提高了故障诊断模型的动态适应能力,而且减少了模型重新训练时间。轴承故障诊断实验表明,该方法能够快速、有效地识别故障类型。论文围绕滚动轴承振动信号特征自适应提取,以及模型在线更新等关键问题展开研究,成果对复杂机械设备故障诊断研究具有借鉴意义。