为适应经济发展新常态,众多化工企业主动全方位地推进企业智能化生产,在极大程度上推进了现代化工设备的自动化和智能化。开关电源作为当今化工业电源领域不可或缺的一种电源形式,对智能化工设备起着至关重要的作用,因此,对开关电源进行快速准确地故障诊断对于化工设备的安全运行是刻不容缓的事情。传统的故障诊断方法主要依靠之前的经验,并且传统的信号处理技术无法满足当前的大数据时代的需求,而深度学习依靠自身包含多层隐藏层的结构,能够自主对数据的深层特征进行提取,建立故障数据的输入值与故障类别之间的映射关系,在故障诊断方面取得了良好成果。因此。本文主要针对传统开关电源故障诊断方法的不足,以开关电源电解电容为研究对象,提出一种基于深度学习的故障诊断方法。本文首先对开关电源电解电容进行退化实验获取三种状态下的电网电压信号,基于大量实验采用数据扰动的方法生成虚拟数据,获得足够的数据,基于小波包变换对信号进行降噪处理,接着计算电网的频带能量,构造故障特征并对其进行归一化处理,随后利用PCA技术进行去冗余操作,以此作为模型的输入。提出基于IGSA-DBN的故障诊断模型,通过实验确定了模型的最优参数,得到了最终模型,利用训练集对模型进行训练,得到故障识别率高达97.64%。然后将IGSA-DBN故障诊断模型与其他传统故障诊断模型进行对比实验,验证了IGSA-DBN这一模型具有更高的诊断精度。最后设计了基于Java Web的开关电源故障诊断系统,利用训练好的IGSA-DBN故障诊断模型,对故障数据进行实时的故障类型识别,并且将结果实时呈现在系统的可视化界面,实现了开关电源电解电容的在线故障诊断,进一步验证了本文所提方法的可行性,对于开关电源故障诊断具有重要的实际意义,也为今后的实际应用提供了基础。