随着智能制造行业的兴起,现有工业系统逐渐趋于复杂化和大型化。在当今工业大数据的背景下,如何通过智能化的故障诊断技术及时对系统的运行状态和可能的异常情况做出判断,进而在早期规避风险,保障工业设备的安全性逐年成为相关领域的研究热点。传统的诊断方法需要建立复杂的数学模型或依赖于丰富的专家经验,在实施过程中往往面临效率低下、难以实现的问题。因此,只需通过对大量的历史数据的处理即可完成诊断的数据驱动的故障诊断算法成为了现下研讨的主流。现今,支持向量机（Support Vector Machines,SVM）等机器学习方法凭借其在自动数据提取方面的优势,迅速在数据驱动的故障诊断方法中占据了重要的比重。但这些算法不仅在参数选择上仍然受制于专家知识和诊断经验,也因提取的特征仅适用于特定的问题而凸显出泛化能力不达标的缺陷。深度学习的出现,很好的缓解了上述问题,自编码网络（Auto Encoders,AE）、卷积神经网络（Convolutional Neural Networks,CNN）等深度学习算法都已逐渐在故障诊断领域占领了一席之地。但现有的这些故障诊断方法多是应用于故障诊断数据充足且均衡的理想情况,而在工业大数据的环境下,训练数据集时常面临数据不充足不均匀、分类情况复杂等现实问题,目前已有的这些模型在应对难以处理的数据集时,往往达不到需要的诊断精度。基于此,本文对现有的基于AE的故障诊断模型做出改进,并将改进后的算法与SVM、CNN等代表性的算法巧妙结合。实验表明最终提出的新的故障诊断模型在提升诊断精度的同时保证了诊断的效率。本文的主要研究工作和创新点如下。1)针对故障类型复杂且样本数据不足的情况,提出了一种基于改良的堆叠自编码器（Stacked Auto Encoder,SAE）和差分进化（Differential Evolution,DE）算法优化的SVM的故障诊断方法。该方法首先在SAE的顶层添加了一个带Softmax分类器的小型反向传播神经网络（Back Propagation Neural Network,BPNN）作为对原有的SAE的改进,然后使用改良后的SAE对故障诊断数据做特征提取。最后将提取后的特征数据输入SVM,利用SVM分类速度快、不需要大量样本进行训练的优点,完成整个故障诊断。需要特别说明的是,在训练SVM时,使用DE算法自动优化SVM的重要参数,以避免在参数选择问题上受到专家经验的影响。模拟实验选取的数据集具有故障类型繁多且样本不充足的特点,测试结果证实该方法在不影响故障诊断效率的前提下,有效地提升了诊断的精度。2)基于改良的SAE和DE算法优化的SVM的故障诊断方法取得了良好的效果,但对比实验的结果表明,现有的应用广泛的故障诊断算法中,CNN的分类精度明显优于SVM等传统的机器学习,然而CNN的分类精度同样极易受到非理想状况的数据集的影响。因此,为了在面临复杂的数据问题时更好地发挥CNN在分类上的优势,通过将CNN与前置的高效的数据处理模块结合来构成一种新的故障诊断模型是一个可行的研究方向。基于此,提出了一种基于一维数据增强和CNN的故障诊断方法。该方法首先将一维的振动信号数据作为训练数据集输入用带Softmax分类器的BPNN优化的SAE,再将训练完成后的SAE的解码器的输出和原数据集合并,合并后的数据集即为增强后的训练数据集。该增强数据集再直接转换为二维图片数据集,用于训练CNN。训练后的CNN使用未增强的测试数据集转换成的二维图片进行性能测试。实验过程中,选取的数据集具有故障类型繁多并且每一类型的故障样本数据不足的特征。实验结果表明,提出的模型在提高故障诊断精度的同时也兼顾了运行效率。