随着经济的发展,生产生活中用电量需求不断加大,汽轮机组装机量也在不断增加,作为热电厂中的重要设备,保障汽轮机组的正常平稳运行至关重要。作为汽轮机中的最为关键的部件之一,滚动轴承状态影响着整个机组的运行,实现对滚动轴承故障的有效诊断一直是故障诊断领域的研究热点之一。由于当前汽轮机等机械设备不断向着复杂化、大型化方向发展,实现对其运行状态的有效监测和故障的准确诊断变得越来越复杂化,常规的故障诊断方法渐渐难以满足要求。随着计算机技术、多传感器技术、深度学习技术的不断发展,基于大数据构建更加智能化的状态监测和故障诊断方法成为可能。由此,本文首先基于深度学习技术,构建了多传感器信息融合的CNN故障诊断模型,通过在公共数据集上进行测试,该模型实现了100%的故障识别率,验证了所建模型具有良好的泛化能力,并通过实验对模型的鲁棒性进行了测试。另外,对基于卷积神经网络的故障诊断模型在挖掘多传感器数据内隐含的关联性信息和隐含的潜在故障特征进行了分析讨论。最后将本文构建的CNN诊断模型与基于单传感器的诊断模型进行比较,实验结果表明基于多传感器信息融合的CNN故障诊断模型在抗噪能力上优于基于单传感器构建的诊断模型。针对轴承信号具有时序属性,提出了联合卷积神经网络和长短时间记忆网络的C-LSTM故障诊断模型,该诊断模型同样在公共数据集上取得了100%的故障识别率,最后将该诊断模型与构建的CNN诊断模型进行比较,在噪声干扰测试中,C-LSTM诊断模型故障识别率比CNN诊断模型高出1.24%,验证了C-LSTM网络可以挖掘到更多的数据内的时序特征,并提高噪声干扰下的故障识别率。