振动是自然界普遍存在的现象,近些年随着电子信息技术和检测技术的飞速发展,振动检测及诊断技术也在不断进步。业界研究者已掌握一些振动规律,并能够根据振动数据对被测物体进行异常诊断甚至预测,目前已经广泛应用于动力系统、火车轨道、桥梁道路等领域,保证了工业生产和日常生活的顺利进行。随着振动检测规模的扩大和振动检测要求的提高,当前的振动检测系统在实时性、可控性、检测精度等方面存在不足。首先,由于振动检测节点数量和采样频率增加等原因造成振动传感网络数据传输量大、工作站计算量大等现象,难以保证系统的实时性。然后,当前的检测系统没能对中大规模系统内的振动检测节点进行有效管理,难以保证振动现场传感器网络的可控性与稳定性。此外,正在使用中的主流振动诊断技术仍以传统的时频域分析为主,耗费人力,同时在检测精度方面遇到瓶颈。针对上述问题,本文提出了一种基于现场总线的振动检测系统。首先对振动检测设备进行了改进设计,在每个设备节点处实现快速傅里叶变换(FFT)、特征提取等复杂计算,使网络传输数据量与传统方案相比大幅降低,缩短了网络传输时间和工作站的计算时间,提高了系统的实时性和计算能力。然后采用现场总线技术对振动检测设备进行网络管理和数据传输,保证了传感网络的稳定性和可控性。最后借鉴深度信念网络(DBN)基本思想,提出了应用于振动检测的VD-DBN深度学习诊断方法,在保证正确率的前提下降低了振动数据特征维度,有助于提高实时性。此外,自主设计开发了现场总线协议从站,方便检测设备的功能定制与二次开发;在检测节点设备上采用RT-Thread嵌入式系统内核实现资源分配与任务调度,有助于提高实时性和可靠性。实验结果表明,该系统可以快速的采集振动现场的振动数据并把处理后的数据传输到工作站电脑,实时性高。同时,基于现场总线技术的传感网络可以在监控电脑中实时显示节点的状态信息,若有网络故障能够及时提醒,网络的可控性好。最后,本文提出的VD-DBN振动诊断方法在训练和预测过程中耗时更少,正确率也有一定的提高。