旋转机械在工业生产中发挥着越来越重要的作用,如航空发动机、离心式压缩机、工业燃气轮机、风力发电机、变速箱和汽轮机等,特别是在石油、化工、煤炭、电力、装备制造等行业。旋转机械设备作为工业系统中应用非常广泛的设备,一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。随着现代科学技术的不断进步和科学水平的不断提升,工业系统中的旋转机械变得越来越庞大且复杂,功能增加且智能化程度越来越高。此外,旋转机械作业环境恶劣、条件复杂。在这种运行环境恶劣且高度耦合的工业系统中,采用单一信号源得到的旋转机械故障诊断结果往往可靠性较低。因此,多源数据融合方法被广泛应用于旋转机械的故障诊断。本文面向多源数据融合的旋转机械故障诊断这一背景,研究基于自特征（单一信号源数据的特征）融合和互特征（多源数据的特征）融合的故障诊断方法。本文主要研究内容总结如下:（1）针对旋转机械单一传感器场景下自特征难以充分提取的问题,提出了基于卷积神经网络的自特征融合故障诊断方法。该方法基于一维和二维卷积神经网络,对同一信号源数据采用不同的网络提取特征。方法结合了两种网络结构的优点,可以提取信号的一维特征,并提取非相邻区间内信号的相关性特征,进而将这两种特征融合后用于故障诊断。采用轴承故障数据集对提出方法的性能进行验证,实验结果表明提出的方法能有效提取振动数据中的一维和二维特征,诊断准确率有较大提高。（2）针对旋转机械多传感器场景下互特征难以充分提取的问题,提出了互特征融合故障诊断方法——基于注意力机制的多维连接卷积神经网络。方法采用基于注意力机制的一维和二维卷积神经网络进行特征提取,提取两个信号之间互补故障特征以及不同特征之间的相关性。注意力机制可以为特征分配不同的权重,以此来强调重要特征,抑制非重要的特征。采用轴承故障数据集验证方法的行能,试验结果表明振动数据和扭矩数据存在互补的故障特征,且采用提出的方法可以提取并有效融合这些互补的故障特征,大大提高轴承故障诊断的性能。（3）针对旋转机械多源数据中的故障信息挖掘不充分的问题,提出了基于自特征融合和互特征融合的故障诊断方法,建立了基于互注意力机制的双线性融合网络模型。方法首先将从单信号源的不同模态（时域和时频域）数据中提取的特征通过互注意力机制实现交互,进将这些特征拼接起来,实现了自特征融合。然后,利用双线性模型将不同传感器中提取的特征进行融合,采用元素相乘的方式实现特征的细粒度融合,完成了互特征融合。自特征融合与互特征融合相结合,可以充分挖掘多源数据中的故障特征,并进行细粒度融合。在轴承故障数据集上验证了该方法的有效性。结果表明,该方法能有效地从多源数据中提取故障特征并对其进行有效融合,大大提高了故障诊断的性能。（4）针对旋转机械多源数据提取的特征互补性不强的问题,提出了基于多头注意力机制的差异化特征提取及融合故障诊断方法。方法采用双输入双输出的网络结构,首先采用一维卷积神经网络改进的多头注意力机制来提取多源数据的深度特征,通过多头特征的拼接实现单信号源数据的自特征融合。进而将多源数据的特征输入到特征来源分类器,将多源数据的特征进行区分判别,使所提取的特征尽可能包含互补的故障信息。最后利用双线性模型对这些特征进行细粒度融合,实现多源数据的互特征融合,并输入到故障类别分类器,完成故障分类。方法通过分类任务来实现互补故障特征的提取,而不仅仅依靠特征提取网络,使得提取到的特征互补性更强。在轴承故障数据集上验证了该方法的有效性。结果表明,该方法能有效地从多源数据中提取互补的故障特征并对其进行融合,大大提高了故障诊断的准确度。