旋转机械在国民经济当中有着较为广泛的应用,处于高端机械装备当中的旋转机械如果发生了故障那么往往会造成很大的经济损失,甚至是有可能会造成人员的伤亡。对于旋转机械进行故障诊断和在线监测技术的研究可以快速的提前发现故障并且定位故障,这在工程中意义非凡。在科技当中,尤其是自动化与信息化飞速发展的当下,航空航天、能源、制造等相关机械装备的智能化程度日新月异,复杂性也越来越高,在这一背景之下以往对信号进行特征提取的诊断方法对于当前复杂系统的故障诊断逐渐已经不再适用,因此如果想要提高复杂系统的可靠性,那么在当前由数据驱动发展的数字化以及智能化的大背景之下,对于复杂系统如何进行智能化故障诊断方法的研究也就具有着极为重大的意义。“特征提取”以及“模式识别”是故障诊断当中的两个重要的互补问题,解决不善可对故障诊断效果产生较大的影响,放眼现行的由工作人员通过相关的先验知识来进行特征提取的方法极大的限制了故障诊断的准确度以及自动化程度。反观深度卷积模型的深度学习方法则能够更好的进行特征提取,而且可以直接的对信号来进行识别,因此它在旋转机械故障信号的“特征提取”与“模式识别”上具有着良好的应用场景。本文开展了针对于旋转机械的机械降噪方法以及故障诊断的研究,并且提出了一种较为新型的旋转机械降噪方法以及故障诊断的方法。本文的主要研究内容概括如下:1.首先,详细介绍了国内外围绕着旋转机械故障诊断技术所开展的一部分研究,并且叙述了当前卷积神经网络在机械故障诊断当中的应用,并对卷积神经网络故障诊断方法进行了归纳总结。基于此,提出了本文的结构框架。2.针对旋转机械的原始振动信号中的噪声会降低故障诊断结果的问题,设计了一种新型的自适应阈值的去噪方法。通过分析对比经验模态分解(Empirical Mode Decomposition,简称EMD)方法以及基于其改进的集合经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)方法和自适应白噪声的完整经验模态分解(Complete Ensemble Empirical Mode Decomposition with adaptive noise,简称CEEMDAN)方法。最终基于CEEMDAN方法来提出最优降噪相关模型的建立方法:即首先通过CEEMDAN算法将信号分解为多个本征模态函数(Intrinsic Mode Function,简称IMF),然后分别计算每个IMF的排列熵值以及所有IMF的平均排列熵值,并通过小波阈值降噪法来将高于平均排列熵值的IMF的信号进行降噪处理,最后将所有的IMF进行信号重构,从而完成信号的自适应去噪。3.由于卷积神经网络具备自动特征提取和故障识别的特质,所以在本文中针对卷积神经网络采取了一种全新的设计结构LiCNN,基于此结构来对时域的振动信号进行相应的故障诊断。利用该诊断方法对凯斯西储大学(Case Western Reserve University,简称CWRU)的轴承数据进行了案例应用,结果表明该卷积神经网络不但可以自动的提取信号特征,而且在CWRU轴承数据库上的16种故障模式的模式识别率达到了100%。4.电主轴是数控机床的重要功能部件,研究电主轴的故障诊断可以找到电主轴的潜在故障从而对故障进行快速定位以及相应的维修,这也为电主轴甚至是数控机床可靠性的提高以及快速维修提供了技术方面的支持。应用本文提出的自适应去噪方法以及卷积神经网络对电主轴振动信号进行了故障诊断,并与传统的故障诊断方法进行了一系列对比,结果表明,本文所提出的方法的诊断准确度优于其他传统方法。