旋转机械设备作为重要的工业基础设施之一,广泛应用于各行各业的生产活动中,对促进国民经济的发展起着非常重要的作用,因此对机械设备进行长期的状态监测,以及当机械设备出现故障时,及时地进行诊断是十分有必要和有意义的。随着旋转机械设备日益朝着大型化、精密化、智能化及自动化方向发展,设备健康状态的维护工程也进入了“大数据”时代,如何有效地对机械设备进行状态监测与故障诊断成为一项必不可少的系统工程。传统的基于数据驱动方法的故障诊断技术,无论是基于信号分析技术还是基于机器学习方法,都需要较强的人工经验与较多的人工工程的参与,而面对越来越复杂的机械设备与日益增加的监测数据,传统方法的劣势日渐凸显。针对这些问题,本文将具有“端到端”学习特点的深度学习方法应用于故障诊断领域,以旋转机械的重要组成零部件滚动轴承和齿轮为研究对象,提出了基于深度残差网络模型的智能化故障诊断方法。深度残差网络是一种具有新型网络结构的深度神经网络模型,其在经典卷积神经网络的基础上提出了残差连接结构,网络以残差块为基本组成单元,进而构建深度网络模型,残差网络解决了传统卷积神经网络的两大难题:梯度弥散问题和深层网络训练退化问题。本文将深度残差网络引入到旋转机械故障诊断之中,针对旋转机械常常运行在定转速工况、变转速工况以及强噪声干扰情境下的工作特点,分别开展了如下几点研究:（1）针对定转速工况下的旋转机械设备,提出了一种基于一维深度残差网络模型的轴承故障诊断方法。该方法直接利用轴承故障的一维时域信号进行“端到端”地学习训练,让模型直接从时域信号中学习并进行特征提取,避免了人工特征工程的参与,最后实现不同轴承故障的模式识别与分类诊断,并通过轴承试验数据集对该方法的有效性进行验证。试验结果表明,该方法能够针对不同损伤程度的轴承故障实现精细化的故障分类与识别能力。（2）针对变转速工况下的旋转机械设备,提出了一种结合同步提取变换分析与二维残差网络模型的故障诊断方法。由于变转速工况下的旋转机械振动信号具有强非平稳性特点,而同步提取变换作为一种能有效处理非平稳信号的时频分析方法,将其与深度残差网络模型进行结合,能有效地保证模型在进行故障诊断时的稳定性与泛化性能,同时利用变转速工况下的滚动轴承故障数据集验证了该模型的有效性,实现了高准确率的滚动轴承故障诊断。（3）针对实际工业中机械故障数据缺少标签以及含工业背景噪声的情境,提出了一种基于时序残差降噪自编码网络的无监督学习故障诊断模型。该模型主要分为两个部分:无监督训练模块和分类微调模块,无监督训练模块用来对原始振动信号数据进行编码和解码,通过这种训练获得鲁棒性较高的特征编码器;分类微调阶段利用第一部分训练好的编码器与少量带标签的数据进行模型微调以实现故障分类识别。最后,试验部分采用行星齿轮箱故障实验台采集的数据对模型进行了验证,证明了方法的有效性与可靠性。最后,对本文的研究内容进行总结并对未来的研究方向进行了展望。