旋转机械长期处在恶劣的工作环境下,极易发生损坏,成为威胁设备与人员安全的一大隐患。在实际运行工况中,故障信号往往呈现非平稳、非线性、非高斯分布等特性,传统的信号处理技术和智能诊断方法很难提取精确的故障特征。另外,有标签故障样本的获取也费时费力。因此,本文以流形学习算法为基础,融合半监督学习策略,深入研究了基于半监督流形学习的特征提取方法与诊断技术。本文主要研究内容如下:(1)阐述了基于数据驱动的故障诊断流程,对旋转机械特征提取和模式分类算法进行了梳理和比较。(2)提出了一种半监督的拉普拉斯特征映射算法(SSLE),对复杂高维信号有很好的特征提取效果。对比传统的无监督流形学习方法,该算法可以充分利用少量有标签样本蕴含的故障信息,学习出更加精确的低维故障特征。(3)提出了基于SSLE算法和约束种子K均值的故障识别模型。该模型采用SSLE算法对标记样本点进行置信度约束,直接从原始高维振动信号中提取最敏感的低维流形特征,随后将其输入到基于约束种子K均值算法构建的分类器,从而以可视化的聚类结果标识旋转机械设备的运行状态。与核主成分分析、核判别分析等经典算法进行比较,该模型能明显提高轴承故障类型和滚动体故障严重程度的识别性能。(4)考虑到多传感器信号融合诊断可以明显提高故障识别率,结合流形学习和深度学习的思想,提出了一种基于SSLE算法和深度置信网络的故障识别模型。该模型对多个原始高维空间分别进行流形学习,并融合多源的低维故障特征,在深度学习网络中进行挖掘与表征。以齿轮的多传感器特征融合诊断为例,模型在不平衡的训练样本下实现了很好的诊断效果,具备工程应用价值。