随着机电设备的日益复杂化、大型化和自动化,机电设备的日常状态监测与故障诊断的复杂度越来越高,故障状态和故障征兆之间的映射关系越来越复杂,传统的基于信号处理和人工智能的故障诊断方法无法满足实际应用的需求。深度学习能够通过多层隐含层的非线性变换学习原始故障信号与故障类型之间的映射关系,为复杂机电设备的故障诊断提供一种新的思路。本文以深度信念网络(Deep Belief Network,DBN)为例对基于深度学习的故障诊断方法进行研究。从DBN的原理出发,介绍DBN的网络结构和参数训练方法,构建DBN故障诊断模型。利用美国西储大学公开的轴承故障数据集对DBN故障诊断模型的故障诊断性能进行验证,探讨模型的超参数和权值初始化方法对故障诊断性能的影响,为模型参数设置提供理论支持。首先,针对DBN故障诊断模型在参数训练过程中易陷入局部搜索导致故障诊断性能低的问题,本文利用改进的混沌免疫算法优化DBN故障诊断模型的网络连接权值和偏置,提出优化深度信念网络故障诊断模型(ICIM-DBN),该模型具有更高的训练效率和故障诊断准确率。改进的混沌免疫算法采用混沌初始化和自适应变异,提高抗体种群的多样性;引入可变选择算子,加快算法的寻优速度。之后,在优化深度信念网络故障诊断模型的基础上,综合利用多测点的故障信息,提出基于优化深度信念网络的多测点故障诊断方法。利用不同测点的故障信息并行训练多个ICIM-DBN模型,结合DS证据理论对各测点得到的故障诊断结果进行融合。该方法充分利用各测点的故障信息,能够避免由于故障信息衰减或传感器性能差异造成的故障误判,提高复杂机电设备的故障诊断准确率。最后,以异步电动机为实验对象,对本文提出的方法进行性能测试。实验结果表明,本文提出的优化深度信念网络故障诊断模型的故障诊断准确率比传统的DBN故障诊断模型高7.19%,比基于遗传算法优化的DBN故障诊断模型高3.7%。基于优化深度信念网络的多测点故障诊断方法对异步电动机的故障诊断准确率高达99.45%,比单一测点的平均故障诊断准确率高1.59%。