随着智能制造技术逐步成熟,目前的旋转机械设备具有自动化、结构复杂、高精度等特点,转子系统作为其中最重要的组成部件之一,其本身的工作环境复杂,高速重载、持续运行是常态,转子系统在实际运行过程中,由于受到各种不确定因素的影响,转轴会承受各种诸如冲击、稳态、非线性等复杂多变的载荷激励,从而对转子系统稳定性造成影响,并引发其它故障,系统一旦失稳或超过其承载极限,将会导致严重事故和巨大生命财产损失。因此,应对系统所受载荷进行识别,在线监测系统的运行状况,这对于机械设备转子系统的安全可靠运行具有重要意义和实用价值,同时寻求高效智能的载荷识别方法也一直是国内外学者关心的热点问题。为了克服传统载荷识别方法对载荷直接计算的困难以及先采集其它信号再建立复杂数学关系的缺陷,利用轴心轨迹图像包含特征信息的丰富性和直观性优势,以不同载荷下的轴心轨迹图像作为载荷识别依据。传统的轴心轨迹主要由径向位移合成,但转子系统的实际运转并不局限于二维空间,在轴向也会有振动产生,三维轴心轨迹则是综合轴向和径向振动信息。同时,针对单盘转子系统在实际运行过程中存在轴向振动情况,对其振动机理进行了分析,研究发现转子系统非对称安装圆盘在高速运转时会施加给转轴一个陀螺力矩,使其在竖直平面内振动幅值发生变化,导致有轴向振动位移,并建立单盘转子系统动力学Simulink仿真模型,探究在不同类型载荷下的轴向振动变化规律。为了提高转子系统载荷识别的精度与准确度,鉴于深度学习强大的自适应特征提取与学习能力,其在图像、语音识别等领域已取得了优异表现,以不同载荷下的轴心轨迹图像作为输入,提出一种基于深度可分离卷积神经网络DS-CNN（Depthwise Separable Convolutional Neural Networks）的转子系统载荷智能识别方法。首先在故障诊断试验台采集不同载荷工况下的径向和轴向振动位移信号,其次选用四种信号提纯方法进行对比分析,最终选用小波阈值去噪法进行信号提纯,然后将过滤后的信号通过三维数据拟合法绘制三维轴心轨迹图像,再将其投影到平面生成二维轴心轨迹深度图。最后将生成的二维图像制作数据集导入网络模型进行训练识别。结果表明:DS-CNN模型能够有效地对不同类型、不同大小的载荷进行准确识别,识别准确率高达96.3%,与普通CNN模型相比,识别精度提高了6%左右,训练时长压缩了一半且收敛速度更快。通过设置不同网络结构、不同网络层、不同优化器、不同深度学习算法等对比模型,探究了网络模型在不同初始条件下的对载荷识别效果的影响。