旋转机械作为电力、化工等现代工业领域中的关键设备,其任何故障都可能导致整个机械系统的故障,造成严重的后果。及时检测出设备是否发生故障,对于保障设备的正常运行具有非常重要的意义。近年来人工智能技术尤其是深度学习算法得到了飞速发展,这为故障检测技术带来了新的研究方向。在深度学习算法中,深度自编码器(Deep Auto-Encoder,DAE)是一种无监督学习算法,可以通过其编码与解码结构自动学习数据中的特征,因此深度自编码器常被用来对数据进行特征提取。使用正常数据训练好的深度自编码器模型能够提取出正常数据的特征,但无法准确提取出故障数据的特征。基于此,本文首先构建了深度欠完备自编码器(Undercomplete Auto-Encoder,UAE)模型,利用原始数据与重构数据的均方差对旋转机械进行故障检测;使用均方误差作为判定条件会损失多维数据信息,因此本文又构建了基于支持向量数据描述(Support Vector Data Description,SVDD)的深度欠完备自编码器模型SVDD-UAE,采用支持向量数据描述算法进行阈值判定,在误差判定时可以充分考虑各个维度间的相对关系;深度欠完备自编码器模型结构较为简单,学习能力较弱,因此在上述模型基础上,本文还设计了集成SVDD-DAE模型,首先分别构建了 SVDD-SAE、SVDD-D-AE和SVDD-CAE三种模型,然后使用集成学习方法对这三种模型的检测结果进行融合,得到了较好的故障检测结果。本文分别使用了 INV1612型多功能柔性转子实验系统数据和某电厂1000MW二次再热超临界发电机组现场数据对模型进行了实验验证,实验结果证明了本文方法的有效性。