机械故障诊断技术能够对设备故障状态做出诊断预防,提高设备运行可靠性与安全性。旋转机械在工业生产中使用广泛,针对旋转机械的故障诊断一直是机械故障领域中的重点研究方向。随着社会的进步与生产力的发展,大型高速复杂旋转机械应用更加广泛,对设备运行的可靠性与安全性要求也日益增加,传统诊断方法已经不能满足相应的诊断要求。近年来,随着人工智能方法的发展,故障诊断方法由简易诊断、精密诊断,逐渐向基于机器学习、人工智能的智能诊断方法发展。其中支持向量机是一种基于结构风险最小化的模式识别方法,经故障数据训练后能够学习故障特征,实现对故障的诊断。本文要围绕旋转机械故障诊断,以支持向量机为理论基础,提出一种改进的深度支持向量机模式识别方法,并通过设计进行相关实验,研究深度支持向量机在旋转机械故障诊断中的应用。本文的研究内容主要包括以下两个部分:(1)在常规条件下,提出一种改进的深度稀疏最小二乘支持向量机诊断方法。该方法构建了多层支持向量机结构,在输入层利用训练样本对支持向量机进行训练,通过一定方法生成一组新的样本并用于训练下一层,利用多次学习提高分类准确率。考虑到多层结构带来的算法训练复杂度与诊断用时增加的问题选择最小二乘支持向量机,并结合稀疏化理论构建最终训练模型。最后分别设计了分类性能实验验证,以及三组旋转机械故障诊断实验,并对比多种诊断方法的诊断结果,同时对相应的参数与结构进行了详细的讨论,最终结果表明提出方法具有良好的性能。(2)深度稀疏最小二乘支持向量机作为一种改进的分类算法,其模型训练与多数机器学习相同,需要足够的训练样本。然而存在一些特定的应用场景,目标域训练样本数量不足,难以训练具备足够泛化能力的诊断模型,因此结合样本迁移学习与深度支持向量机理论,提出一种深度迁移最小二乘支持向量机诊断模型,利用与目标域样本具有一定相似性的辅助训练集(源域数据)进行可靠识别,通过对目标优化函数进行源域与目标域训练样本的权值分配,让源域实例更加接近目标域的样本分布,结合深度支持向量机思想,通过多层结构进行多次特征学习。为验证深度迁移最小二乘支持向量机的诊断性能,本文分别设计进行了行星齿轮箱故障诊断实验,二级斜齿轮箱故障诊断实验以及滚动轴承公开数据集验证,对提出方法的诊断性进行了验证。