随着石化产业的发展,对石化设备运维的要求也在提高,像离心压缩机等行业关键设备正朝着集群化和智能化的道路发展。这种集群设备一旦发生故障,轻则造成财物损失,重则造成人员伤亡。过去的多数设备故障诊断系统不仅十分依赖技术人员的经验和专家知识,而且判断过程耗时长、通用性比较差,已经不能满足设备的智能化发展,已经不能赶得上大数据时代的潮流。所以,确保压缩机群平稳运转对企业的发展具有极其重要的意义。本文针对此问题,开发了一种转子故障诊断系统,为解决智能化诊断的问题,在系统中引入了卷积神经网络（CNN）智能诊断模型对转子故障进行诊断,诊断过程中可以自动提取信号特征进行识别。本文首先对转子的振动机理进行了探究,对转子的几种常见故障特征进行了分析。其次,采用小波包降噪技术对输入信号进行降噪处理。集合实际信号,使用分形维数和近似熵进行实际降噪效果评价,结果表明小波包降噪方法下两指标均优于小波降噪,前者降噪效果明显更优。随后,结合采集振动信号的特点,提出了一种结合小波包降噪的CNN模型,用于转子的故障诊断。为了能更有效地提取信号特征,此模型具有第一、二层较大卷积核及多层小卷积核的特殊结构。在训练过程中引入结合Lookahead算法的自适应RAdam算法来优化模型训练过程,抑制过拟合风险。为了能够加快网络训练速度和准确率,采用小波包降噪技术对输入信号进行降噪处理,去除掉无用的信息。将采集的三种转速下的正常数据、不平衡数据和碰磨数据等按比例制作成故障数据集,用于网络模型的训练和验证。试验中,对转子故障诊断的准确率达到100%,混合数据集训练的模型对变转速下的故障诊断识别率达到100%。最后结合现有转子试验台的特点,设计了石化装置旋转机械转子故障诊断系统。在windows环境下使用C#开发了各模块功能。在故障诊断模块中使用C#与python联合编程,将搭建的CNN模型整合进开发的模块中,实现诊断功能。利用转子试验台模拟故障数据,对开发的系统主要功能进行试验,结果表明数据采集与管理功能、数据处理功能满足要求,系统的故障诊断功能可以准确识别出转子故障。