旋转机械在国民生产生活中发挥着举足轻重的作用,对其运行状态进行准确有效地监测和诊断对保障设备的安全稳定运行,避免重大事故发生具有重要意义。传统的智能故障诊断方法往往需要依赖个人经验从大量数据中进行特征提取,缺乏自适应性,未能充分利用原始信号自身所包含的有效信息。因此,本文以旋转机械关键部件故障检测与识别为目标,开展基于机器学习的自适应故障特征提取方法和智能诊断方法研究。本论文的研究内容如下:(1)针对机器学习算法往往需要大量标签数据进行有监督学习且迭代学习的效率低、耗时长等问题,提出了一种基于自编码极限学习机(Extreme Learning Machine Auto-Encode,ELM-AE)无监督特征学习的智能诊断方法。首先,利用ELM-AE对采集到的无标签振动数据进行无监督学习,然后将训练得到的ELM-AE中的网络权重作为卷积核,利用一维卷积神经网络的卷积池化结构对振动数据样本进行特征提取;最后,将支持向量机(Support Vector Machine,SVM)作为分类器实现故障分类与识别。利用轴承齿轮故障模拟试验台采集得到的轴承/齿轮振动数据集对所提方法进行分析,结果表明所提方法可从时域数据中进行自适应特征提取,在保证较高故障识别精度的同时,有效缩短了网络训练时间。(2)针对全连接神经网络难以有效提取振动信号中局部冲击特征信息,以及不同机械故障所引起的振动响应频率不同,导致直接利用整频带信号进行特征提取诊断结果不佳的问题,提出了一种基于反向传播神经网络(Back-Propagation Neural Networks,BPNN)的多尺度特征学习智能诊断方法。该方法首先利用小波多尺度变换得到不同频率尺度的子信号,然后结合标签数据信息利用BPNN从这些子信号中提取多尺度特征,最后借助SVM实现旋转机械故障分类与识别。利用轴承齿轮故障模拟试验台的滚动轴承数据和美国凯斯西储大学滚动轴承数据对该方法的有效性进行分析,结果表明该方法所提取的不同故障样本间多尺度特征区分性较好,能够对不同转速工况下的滚动轴承健康状态进行有效识别。(3)针对单一传感器获取的信息有限,难以充分表征设备运行状态的问题,提出了一种基于Hilbert-全矢谱与堆栈自编码器(Stacked Auto Encoders,SAE)的智能诊断方法。首先,利用Hilbert-全矢谱技术将两个垂直安放的传感器所采集得到的振动信息进行融合;然后将Hilbert-全矢谱的主振矢作为SAE的输入进行自适应故障特征学习;最后,选用Softmax分类器作为分类层,利用少量的标签数据样本对网络模型进行微调,得到同源双通道信息的故障诊断模型。利用SQI电机故障模拟实验数据集对所提方法进行分析,并与基于单通道传感信号的故障诊断方法进行对比,验证了该方法的有效性和优越性。