随着现代机械产业的飞速发展,设备的运作原理和故障机理也愈加复杂,带来生产能效大幅提升的同时,也使得准确预测故障愈发困难。且机械行业的设备故障往往具有非常大的危险性,严重的甚至造成大量人员伤亡。因此,如何及时地对设备异常运行进行预警,准确地诊断故障,称为机械故障诊断领域亟需解决的问题。近年来,随着高精传感器、计算机技术与人工智能的发展,使得以数据驱动为基础的智能故障预警与诊断方法逐渐成为研究热点。而深度学习作为一个重要分支,由于其出色的特征提取能力以及在处理高维、非线性的设备运行数据方面的优势,使其在机械故障预警与诊断领域取得丰硕成果,提供了一种新的范式。本文以深度学习为基础,针对机械设备预警与诊断工作中存在的故障样本缺失、有标记样本数量不足以及变工况这三类数据不完备问题进行分析研究。具体的研究内容如下:(1)针对机械设备故障样本缺失这一问题展开研究,在降噪自编码器特征自学习能力的基础上,提出一种无需故障样本参与的预警方法。首先利用降噪自编码器以无监督学习的方式提取出设备正常数据的抽象特征表达,计算出特征基准并设定报警阈值;在监测预警阶段,计算待测数据经模型提取出的抽象特征与基准的距离,与报警阈值比较,及时发现设备故障发生早期的微弱征兆,实现大幅度的提前预警。无监督范式的深度学习模型在机械设备故障预警中的应用,解决了传统机器学习方法在模型训练时对故障样本的依赖,同时也免去了人工选取特征参数的复杂过程。在轴承故障实验和往复压缩机实际工程中,提出方法表现出了很好的故障预警能力,并且对故障发生早期的微弱征兆具备一定的识别能力,大幅地提前了报警时间点,具备很高的应用价值。(2)针对机械设备数据中,无标记样本占大多数的情况,提出一种结合主动学习的深度神经网络模型,通过主动学习阶段针对性地选取样本并进行人工标记,一步步扩充有标记的训练样本集,从而在使用尽可能少的样本量的前提下,最大限度提升诊断性能。在凯斯西储大学的轴承故障诊断实验中,模仿实际工程应用中故障样本大多为无标记的特点对数据进行划分,首先利用大量的无标记样本集预训练堆栈降噪自编码器,并初始化深度神经网络,其次,在主动学习阶段,每次迭代中根据一定标准选择无标记样本并对其进行人工标记,令其参与后续有监督训练微调,并重复迭代“样本筛选-人工标记-有监督微调”这个过程直至模型收敛。实验结果表明,该方法能够提高样本利用率,在使用相同数量的样本情况下对模型性能的提升效果远高于传统的样本筛选方法,且更重要的是能够有效抑制假阳性结果的出现,对机械设备故障诊断具备十分重要的意义。(3)针对机械设备变工况运行条件下,训练数据与待测数据分布不一致导致诊断准确率下降的问题,提出一种基于领域对抗网络的变工况诊断模型。该模型包含基于卷积神经网络的特征提取器、基于全连接神经网络的故障分类器和领域判别器,并充分利用了生成式对抗网络的思想,令特征提取器与用于区分工况的领域分类器进行对抗训练,使得模型学习出的特征具备领域不变性,成为不同工况下的共享特征,减小数据分布差异的影响;同时,在故障分类器的约束下,模型学习出的特征还能保持足够的故障敏感度。实验结果表明,提出的变工况诊断方法能够有效克服变工况对诊断性能的影响,保证足够的准确率。