化纤生产的卷绕成形工序中,卷绕机负责将经过后处理的初生纤维卷绕成形,其中卷绕机卡头作为直接卷绕部件,其运行状态会直接影响化纤丝饼的质量和生产效率。随着化纤设备越来越复杂化,精密化,传统的依靠人工经验进行故障诊断的方法不满足企业智能化生产的需求。因此,研究卷绕机的智能故障诊断方法对提高卡头的卷绕可靠性,保证化纤产品的质量具有重要意义。然而,由于强背景噪声干扰和卡头卷绕过程中存在变转速现象,卷绕机卡头的故障诊断成为一个难以解决的工程问题。本文针对这些难点,以卷绕机卡头为研究对象,提出了基于信号处理和深度学习的卷绕机卡头故障诊断方法。主要研究工作如下:针对卡头振动信号中包含强噪声干扰,导致故障特征微弱问题,本文提出了一种基于EMD包络谱和卷积神经网络的定转速卡头轴承故障诊断方法。通过信号自适应的分解和重构准则,筛选出包含故障信号的分量,实现信号降噪处理;搭建卡头轴承故障诊断模型,将重构信号的包络谱图作为模型的输入,通过故障特征提取与分类,识别故障类型。在三个不同的数据集上进行验证,诊断准确率均高于94%,证明提出方法的有效性。针对卡头的变转速问题,本文提出了基于阶次谱和双通道卷积神经网络的变转速卡头轴承故障诊断方法。采用阶次谱分析将不同转速下的频谱转换成不包含转速信息的阶次谱,消除了基频的影响,使得单个诊断模型可以用于不同转速下卡头轴承的故障诊断任务;利用双通道卷积神经网络模型从同一信号采集点的不同通道中提取融合故障特征。在实验验证阶段,采用三种转速下采集的数据训练模型,用其他转速数据进行验证,故障诊断精度均高于98%。在对比试验阶段,本文提出模型的诊断精度比传统的单通道模型提高了3.1%。以浙江某化纤生产厂的卷绕机为研究背景,集成以上诊断模型,开发了卷绕机卡头轴承故障诊断原型系统。该原型系统具有数据获取,数据处理,故障诊断,设备状态监控等功能。本文的研究成果为化纤卷绕机卡头故障诊断提供了理论方法和技术工具。通过实例验证表明,该原型系统可以有效提高卷绕机卡头故障诊断的准确度和效率,提高了化纤设备的智能化水平。