回转支承作为旋转机械的重要部件之一,广泛应用于倒立式盘拉机等大型旋转机械,由于受到动态载荷、多转速及复杂工况等恶劣运行环境影响,也成为经常发生故障的元件之一。因此,对倒立式盘拉机回转支承进行监测并判断故障情况是非常必要的。本文通过对特征提取方法和模式识别方法进行研究,提出了几种适用于倒立式盘拉机回转支承的故障诊断方法,对回转支承常见的几种故障模式进行诊断研究,主要内容如下:通过分析倒立式盘拉机的工作原理和基本结构,对其关键部件--回转支承常见故障及故障原因做了分析,设计了故障采集实验。通过经验公式计算轴承的基本故障频率,并用故障试验台进行多工况回转支承故障模拟实验,采集单一和复合故障信号。通过对故障信号运用时域和频域分析方法预分析,说明了传统方法的优势和不足,为后文研究打下基础。针对传统故障诊断方法提取信息能力不足的问题,提出了一种EEMD-能量熵方法用于回转支承故障诊断。先用集合经验模态分解（EEMD）将仿真信号分解为多个模态分量（IMF）,再用小波阈值方法对特征明显的IMF进行降噪重构,结果表明重构信号特征得到增强,说明了该方法有助于故障信号特征提取和分析。然后将EEMD方法用于采集的实验信号,将实验信号分解为多个IMF,通过选择准则选取合适的IMF进行小波阈值降噪并重构信号,最后提取其能量熵用于故障分类。EEMD-能量熵方法表现出比传统故障诊断方法更好的效果,为后文研究做铺垫。单一特征虽然有优异的信号特征表现能力,但是单一特征难免存在对信号故障特性表达不全面的问题,在故障类别较多时准确率较低,而多特征又存在特征冗余现象,故提出基于敏感特征和BP神经网络的故障诊断方法。首先提取和分析故障信号混合域的特征,并用融合算法将多种特征选择准则融合从而选出更敏感的特征,再将敏感特征输入非线性分类器BP神经网络进行分类,实验结果表明,该方法提取出的敏感特征比全特征有更高的故障诊断准确率。针对人工提取特征会有资源耗费较多、提取能力有限等问题,提出一种基于深度学习的故障诊断方法。该方法将生成对抗网络和堆叠自编码器结合起来形成GAN-SDAE网络,该网络通过互相对抗促进学习,不断提高生成器和判别器的性能,最终获得准确分辨故障的能力,而且鲁棒性和抗噪性有较大提升。通过实验数据对网络的不同影响因素进行分析,并与其他深度学习模型比较,本文模型表现出更好的性能。最后用本文模型对不同工况下的故障实验数据进行分析和可视化,验证了深度网络故障诊断方法的有效性。