随着现代化工业的不断发展,工业设备日趋复杂化和系统化,对工业系统的运行和监测提出了新要求,全时段全方位的监测成为保障工业系统安全稳定运行的关键。然而监测过程产生的海量监测数据使得基于人工分析和专家经验的设备诊断难以胜任;设备的结构复杂性和运行状态的非平稳特性也给设备状态的诊断分析增加了困难。旋转机械是现代工业中的常用设备,论文以旋转机械中的核心器件——滚动轴承为研究对象,对均衡数据集和不均衡数据集下的故障诊断问题进行了研究,通过理论分析与实验验证相结合的方式提出了基于深度学习的轴承故障诊断方法,具体研究内容有以下三个方面。(1)针对均衡数据集下的故障诊断,即故障数据与正常数据类别分布均匀、数量相当的情形,提出了一种基于残差网络和注意力机制的诊断模型。模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络,得到特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,实现滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高。模型诊断准确率优于基于特征工程的诊断模型、稳定性优于其他基于深度学习的诊断模型。(2)分析了变工况对均衡数据集下模型诊断性能的影响,提出了一种基于域对抗迁移的变工况故障诊断模型,主要包含特征提取器、故障分类器和领域分类器。特征提取器用于提取振动信号的特征,故障分类器负责振动信号的状态分类,领域分类器负责区分信号来自源域还是目标域。通过在分类器间添加梯度翻转层构建对抗迁移网络来完成领域自适应,借助有标签的定工况源域数据集实现对无标签的变工况目标域数据集的诊断识别,进而完成变工况下的轴承故障诊断。实验表明,模型提取了适用于不同工况间迁移的特征,提升了变工况下各故障的诊断表现,变工况下平均诊断准确率可达97.42%,表现优于直接跨域诊断的模型。(3)针对不均衡数据集下的故障诊断,即轴承故障数据与正常数据类别分布不均衡的情形,将不均衡数据分类中的集成学习方法引入到故障诊断中,提出了一种基于残差网络和极限梯度提升树的不均衡数据集故障诊断模型。该模型仍采用残差网络作为振动信号的特征提取器,将提取的特征输入到经网格搜索优化后的集成极限梯度提升树完成诊断分类。实验表明,该模型保持高诊断准确率的同时,在不同故障以及正常数据比例下均能有效检出少数类的故障样本。