钻杆作为旋挖钻机的重要组成部分,其运行健康与否直接关系到旋挖钻机失效与否。因此建立钻杆故障诊断系统,对钻杆健康状态实时监测从而减少钻杆失效,确保钻挖钻机安全运作有重要现实意义。面对传统钻杆故障诊断系统需要专业技术人员与旋挖钻机需求日益增长的矛盾,本文参考卷积神经网络模型,结合钻杆的工作特性,提出一种基于卷积神经网络的钻杆故障诊断模型,以期省去故障特征人为提取过程,实现了“端到端”钻杆故障诊断。本文首先采用功能分析设计法设计并搭建钻杆故障诊断平台,设计钻杆故障模式模拟现实钻杆故障,采集数据后通过数据预处理将钻杆原始故障信号制作成钻杆故障数据集;接着将输入钻杆故障信号转化为图像,通过卷积池化层逐层叠加方式设计卷积神经网络诊断模型(CNN),并通过增加Batch Normalization和Dropout技巧,提升CNN诊断性能;针对CNN诊断模型抗噪性不强问题,以钻杆旋转特性和感受野思想为核心,将卷积神经网络模型简化,提出一维卷积神经网络模型(1DCNN),并设计1DCNN诊断模型的深度、卷积核大小、卷积核步长和池化层宽度,获得更高的诊断率和抗噪性能的提升;最后借助决策树算法将CNN,1DCNN诊断模型融合,提出融合卷积神经网络诊断模型(DT-CNN)。本文结合CNN和1DCNN设计的DT-CNN诊断模型,对于不同土质、不同转速均具备较好适应性,诊断率均可达到90%以上;而且DT-CNN诊断模型即使在噪声污染严重状况下依然具有85%的诊断率。