旋转机械尤其是轴承和齿轮是机械设备中不可或缺的一部分,目前已在制造、交通、化工、冶金、航天等多个领域中得到广泛应用。这些基础零部件一旦发生故障,危害性极大,甚至会引发机毁人亡等灾难性事故。因此对旋转机械故障诊断具有很高的实际意义。本文基于旋转机械典型故障机理与故障特征表达分析和实验研究,发现基于故障特征频率计算的旋转机械故障诊断具有模糊性。可能原因是噪声信号对有效信号的调制和单传感器检测监测不全面、感知不充分。针对上述两个可能原因,将机器学习应用在不同工况和不同故障类型的旋转机械故障诊断中,进行了如下研究:1.针对噪声信号调制造成诊断的模糊性,开展了高噪声环境下的轴承故障诊断方法研究。提出了一种基于小波包和自适应特征图（Self-organizing feature mapping,SOFM）的诊断方法。首先,对采集到的含噪声轴承信号进行5层自适应阈值的小波包降噪,提取降噪后信号中的6种时域特征用以对数据进行特征提取和降维;之后,使用SOFM网络进行无监督训练后,能够对未知轴承故障进行自主诊断。通过对凯斯西储大学的滚动轴承信号集人工叠加高斯白噪声和实际工厂噪声进行高噪声环境下的实验,诊断诊断准确率在96%以上。该方法实现了高噪声环境下轴承故障有效诊断。2.针对单传感器监测不全面、感知不充分造成诊断结果的模糊性,提出了一种基于数据驱动和随机直觉模型决策的滚动轴承诊断方法。该方法不需要计算故障特征频率,只需通过构造和匹配模糊专家系统和待测样本,以交叉坐标的最大值即似然测度值作为支持命题的隶属度。然后,分析了不确定性参数的本质含义,将随机集框架下模糊集的隶属度转化为直觉模糊集的隶属函数,用二元似然对表示单个似然测度值。最后,将单传感器多特征融合和多传感器信息融合转化为直觉模糊集多属性决策融合。实验结果表明:将训练集数据和测试集数据设置为不同来源,测试集准确率达到99%,该模型具有很强的可靠性和泛化能力。3.基于多传感器信息融合的优势,针对旋转机械系统多故障诊断,提出了一种基于多传感器信息融合的GAFs/MTF-Res Net故障诊断方法。首先,使用GAFs/MTF（Gramian angular summation/difference fields and Markov transition field）算法将实验台采集到的多通道的不同类型、不同长度的时序信号经MTSI（Multidimensional time series imaging）转换为二维的RGB图片集,MTSI同时也对原始的多维时序信号进行了信息融合和压缩;之后使用深度残差网络（Deep residual network,Res Net）对图片集进行训练和分类,最终实现不同故障类型的诊断。实验结果表明:搭建的GAFs/MTF-Res Net模型实现了对520类故障标签的准确分类,其训练集准确率能达到100%,测试集准确率达到79.15%。该模型绕开了经典深度神经网络在处理长时序数据时无法克服的梯度消失和梯度爆炸效应,具有很高的研究价值和应用价值。