旋转设备作为石油石化行业关键设备,运行环境复杂,易发生各种故障,严重时会造成停机甚至事故。转子系统是旋转设备的核心部分,结构复杂,部件众多,时常发生耦合故障,振动分量多且复杂,基于振动的监测难以覆盖整个设备和所有类型的故障。而红外监测可以同时测量多个部件的温度信息,适用于耦合故障诊断。因此,本文引入基于红外图像的故障诊断方法,针对红外图像敏感区域提取、特征学习以及红外和振动信息融合的故障诊断方法进行了研究:(1)研究基于卷积神经网络(Convolutional Neural Network,CNN)的红外图像和振动信号的特征学习,通过构建适用于转子平台红外和振动信息特征学习的CNN模型,实现了红外和振动特征的自动提取。与使用人工提取的特征进行故障诊断相比,准确率分别提高了12.5和3.33个百分点。并用核主元分析(Kernel Principal Component Analysis,KPCA)方法对学习到的特征进行降维可视化,直观地证明了CNN提取的特征具有更好的聚类分布。(2)针对红外图像存在强度集中、对比度低、干扰背景多的特点,提出基于红外显著性检测和阈值优化的故障敏感区域提取方法。使用区域对比的显著性检测方法有效去除图像中的干扰背景,并依据随机森林的诊断结果对图像分割阈值迭代优化,实现了敏感区域的优化提取。与使用人工框选的敏感区域进行诊断相比,该方法可将准确率提高7.5个百分点。(3)针对红外和振动的信息融合和故障诊断问题,提出多模态深度学习的信息融合诊断方法,将特征学习和信息融合两个过程统一于一个模型。通过有监督的训练,学习和反向调整特征学习和融合网络中的权值,增加了数据之间的关联性。通过与其他决策级和特征级融合诊断方法的比较表明,使用本文方法对转子平台进行诊断时故障识别率更高。