旋转机械作为工业领域应用最为广泛的零部件,保证其安全、稳定的工作对现代企业具有积极意义。如今传感器采集到的数据量爆发式增长,导致基于特征提取的浅层模型已经无法适应工业大数据的要求。本文以旋转机械的振动信号为基础,以深度学习算法中能够保证信息完整性的残差神经网络、更强的可解释性的胶囊神经网络和注意力机制为核心,构建端到端的智能诊断模型,为故障诊断提供了新思路。本文主要内容如下:首先,介绍了旋转机械智能故障诊断方法的总体框架,总结了国内外以旋转机械的振动信号作为输入对象的诊断方法的研究现状,以及振动诊断相比其他状态信息的优势。并从不同角度对以信号处理为基础,基于神经网络、支持向量机等机器学习算法的故障检测与诊断方法进行了分类阐述。其次,提出了一种2-D灰度图和Transformer相结合的故障诊断方法,以解决滚动轴承故障诊断中特征提取复杂和噪声淹没振动信号情况下故障识别精度低的问题。首先,将1-D时间序列转换为2-D灰度图像,将灰度图像切片后输入到完全由全连接网络和注意力机制组成的Transformer模型。在编码层通过引入阈值剪切和Sparsemax激活函数,以提高注意力矩阵的稀疏性,将提取到的特征通过Softmax进行分类,最后采用滚动轴承数据集对所提模型进行了试验验证,试验结果表明:模型在滚动轴承数据集上的分类精度达到了99.35%,通过可视化注意力矩阵分布图,改进后的模型的注意力矩阵具有更好的稀疏性。试验证明了所提模型在滚动轴承故障诊断中具有较好的鲁棒性。再次,针对滚动轴承传统的故障诊断方法对时域信号进行特征提取时过分依赖于专家知识,而且提取到的特征对故障信息表达不充分的问题,提出了一种基于残差网络和胶囊网络的智能故障诊断方法。首先以原始振动信号作为输入,使用一维卷积神经网络对时域信号进行全局特征提取,然后利用残差网络提取数据的低层特征,并将其输入到胶囊网络中,进行低层特征矢量化处理,随后采用通过模糊聚类进行改进的动态路由方法完成低层特征到高层特征的聚合,并进行分类,最后通过滚动轴承数据集对所提出的方法进行了试验。研究结果表明:残差胶囊网络在分类精度上达到了99.95%。并通过t-sne可视化分析进一步证明了该网络模型具有自适应挖掘高层特征以及对特征进行分类的能力。最后,针对旋转机械故障诊断中,如何从复杂的故障信号中提取和表达重要特征,提出了一种新的基于注意力机制和胶囊网络的故障诊断模型。该模型以一维原始振动信号作为输入,利用增加到特征提取阶段的注意力机制,得到不同权值的故障特征图,在特征融合阶段,通过胶囊网络将故障特征矢量化以提高表达能力,并借鉴G-K聚类的思想引入了协方差矩阵,对动态路由算法进行了改进,以适应复杂的数据集,采用滚动轴承和齿轮数据集进行了试验验证,并与其他深度学习算法进行比较。研究结果表明:本文所提模型在滚动轴承数据集上达到了99.37%的平均准确率,在齿轮数据集上达到了99.91%的平均准确率,在齿轮和轴承的数据集上达到了98.69%,表明所提模型的平均准确率和稳定性均优于其他深度学习模型.