随着信息技术水平的提升和现代工业的飞速发展,机械设备逐渐朝着集成化、电气化和自动化的发展方向迈进,其设备结构也越来越精细化和复杂化。机械旋转部件作为机械设备中的关键部件,一旦发生故障将会导致整个设备无法运转,轻则增加停机时间,重则引起大量经济损失甚至人员伤亡。因此,对其开展状态检测和故障诊断技术研究,可以维护机械设备的工业生产安全,具有重要的应用价值和潜在的经济效益。目前,机械旋转部件故障诊断工作大多在理想数据条件下开展,忽略了机械设备实际运行过程所面临的样本蕴含强噪声干扰、部分样本无标签、故障样本缺失等非理想数据问题,使得其在应对实际场景下的机械旋转部件故障诊断需求方面力有不逮。因此,本课题以机械旋转部件为对象,研究非理想数据条件下的故障诊断方法,具体内容如下:1.针对实际应用场景中强噪声干扰导致的机械旋转部件故障诊断准确率低的问题,研究了基于端到端的深度学习故障诊断方法,设计了一种干扰抑制的卷积神经网络（ISCNN）模型。采用带有空洞宽卷积核的并行卷积流从被噪声污染的信号中稀疏采样以提取多尺度短时特征,通过滤波操作抑制噪声干扰;构建了多尺度特征增强模块,使用并行的选择性卷积核网络实现神经元感受野的自适应调节,挖掘隐藏在噪声信号中的微弱故障特征;采用卷积特征融合方法对多维故障特征进行整合并输入到分类器中,从而实现强噪声干扰下的机械旋转部件的准确故障诊断。实验结果表明,ISCNN模型的故障诊断性能要优于领域中的现有方法,可以提高噪声场景下机械旋转部件故障的可辨识性。2.针对现有的全监督学习类方法无法利用大量无标签样本,半监督学习类方法在故障诊断模型精度方面尚存在较大不足的问题,提出了一种伪标签自动学习（PLAL）的准全监督故障诊断方法。利用自归一化卷积对抗自编码器（SCAAE）以无监督学习模式获得有标签样本和无标签样本的深度表示特征集;将约束种子K均值（CSKM）算法引入到SCAAE中实现深度表示特征的优化,提升无标签样本的伪标签标记正确率;利用原始有标签样本和已标记伪标签的样本训练故障诊断模型,得到最终的分类结果。实验结果表明,PLAL故障诊断算法可以充分利用无标签样本,达到提升机械旋转部件故障诊断准确率的目标。3.针对现有基于生成对抗网络（GAN）的故障诊断方法难以生成高质量的缺失类型故障样本,且存在模型特征提取能力不足以及训练不稳定的问题,提出了基于升级生成对抗网络（UGAN）的机械旋转部件故障诊断方法。采用条件变分自编码器（CVAE）模型作为UGAN的生成器,实现从真实样本而非随机噪声分布中采样的目标,提升故障样本缺失条件下的生成样本质量;设计了基于自归一化卷积自编码器（SCAE）模型的判别器,在保持网络稳定性的同时,提高模型对故障样本的识别能力;通过向判别器添加分类器,在提高网络的稳定性和收敛性的同时简化故障诊断过程。实验结果表明,UGAN在故障样本缺失的不平衡数据集上获得了更高的精度、F值（F-measure）和G均值（G-mean）。