我国汽车行业随着国民经济的提高发展迅速,与汽车行业相关的轮胎制造业近些年发展成绩也十分亮眼。轮胎成型鼓作为轮胎成型机上的关键部件,其健康状况对轮胎生产效率的影响巨大。成型鼓结构复杂,人工定位故障位置困难,维修周期长。研究成型鼓故障诊断技术对于保障生产技术人员安全、提高轮胎企业生产效率、保证轮胎生产质量有重要意义。本文提出一种信号分析与深度学习相结合的轮胎成型鼓故障诊断方法,利用深度神经网络解决基于信号分析故障诊断对技术人员要求高的问题,利用信号分析手段进行数据增强满足深度学习所要求的样本量的同时,降低信号中的噪声含量,避免信号中存在大量噪声带来的过拟合问题。本文主要工作内容有:（1）根据成型鼓工作原理,设计了相应的振动信号采集装置,并采集了轮胎成型鼓的故障信号,并对信号进行了简要的分析。（2）基于经典卷积神经网络模型对轮胎成型鼓进行故障诊断,设置对比试验,确定表现最佳的深度残差网络（ResNet）作为后续改进的基础网络模型。（3）针对深度学习对样本量的要求,基于自适应噪声完备集合经验模态分解（CEEMDAN）的原理提出了模态分解剪裁（MDC）数据增强方法。基于Res Net设置对比试验,试验结果表明,加入MDC数据增强方法,使Res Net抗噪能力有一定提升的同时,准确率也增加了3.04%。分类过程降维特征图表明MDC数据增强方法相较于传统数据增强方法具有降噪能力的同时还具有一定的特征提取能力。（4）针对ResNet对噪声环境中对同类故障分辨能力较弱的问题,选用ResNet改进而来的深度残差收缩网络（DRSN）作为基础网络,并基于自适应加权融合改进DRSN网络得到加权深度残差收缩网络（WDRSN）。基于五折交叉验证方法设置对比试验,抗噪试验结果表明,MDC-WDRSN的抗噪性能也远高于传统故障诊断方法,在信噪比从8d B减小到-4d B的情况下,准确率的下降率仅为12.11%。最终,通过实例验证了本文所提出的MDC-WDRSN的有效性,该模型在另一成型鼓上测试样本的平均准确率达90.08%。本文提出了一种成型鼓智能故障诊断方法,并通过大量的对比试验验证了该方法的有效性,为成型鼓故障诊断方法智能化发展提供了思路。