随着现代科学技术的发展和我国工业化进程的加快,旋转机械的应用范围越来越广泛,结构和工艺越来越复杂,设备日趋大型化、集成化和智能化。转子系统作为旋转机械的核心部件,其健康状态将直接影响整个设备的正常运行。由于受到生产制造时难以避免的加工误差和复杂、恶劣的工作环境的影响,转子系统常会出现裂纹和转轴不对中的故障。随着故障程度的加剧,不仅将会使整个系统设备停运,造成不可估量的经济损失,而且会对相关人员的人身安全产生极大的威胁。因此,实现转子系统的智能故障诊断,对保障机械设备的安全运转和状态监测起着关键性作用。本文基于卷积神经网络(CNN)开展了在仿真、实验、噪声环境下,对转子系统健康、裂纹、不对中和裂纹-不对中耦合故障的状态识别。建立了转子系统的有限元模型,仿真分析了健康、裂纹、不对中和裂纹-不对中耦合状态下转子系统的动力学特性,通过转子实验台进行模态实验验证了有限元模型的正确性,并研究了一维卷积神经网络对各类状态完成有效分类的可行性。仿真结果表明,裂纹、不对中和裂纹-不对中耦合引起的转子系统振动信号的时、频域特征高度相似,且三种状态下的轴心轨迹十分接近;网络分类结果表明,原始时域信号比频域信号更适合作为CNN的输入进行网络学习实现对转子系统的裂纹与不对中的状态识别。针对转子系统中裂纹故障和不对中故障难以区分的问题,设计了一种多输入卷积神经网络(MI-CNN),通过转子实验数据验证了网络的有效性。在常规CNN的基础上增加了2个不同的输入端,通过在不同的输入端内采用不同大小的卷积核来提取不同尺度的信号特征,再对各端网络学习到的特征进行融合,最后由softmax函数输出最终的分类结果。研究结果表明,设计的MI-CNN能够直接基于原始时域信号自动提取信号中隐藏的特征,对转子系统在实验环境下的各类状态信号的识别率达到了99.42%,且该网络具有更高的稳定性。针对噪声环境下转子系统裂纹和不对中的区分问题,提出了一种基于VMD和PPCA降噪,CNN提取信号特征并实现故障分类的状态识别方法,并基于遗传算法(GA)实现了对CNN的超参数优化。首先将网络模型对转子状态的识别准确率作为GA的适应度函数,对CNN中的卷积层数、卷积核数、全连接层数和全连接层节点数进行了自适应优化,获得了最佳的网络结构;再通过将原始时域信号构成的数据集作为输入进行网络训练,采用含不同信噪比的加噪信号数据进行模型性能的测试,验证了网络的泛化能力;然后利用VMD将噪声信号分解为k个不同频带的子模态函数,再通过PPCA将k维的分解信号降低到二维,成功分离了有效信号和噪声信号;最后将有效信号输入到优化后的CNN中,通过网络学习实现了转子系统在噪声环境下的状态识别。研究结果表明,基于VMD-PPCA-CNN的方法在不同信噪比下对转子系统健康、裂纹、不对中和裂纹-不对中耦合状态的分类精度均高于99.25%。本文的相关研究成果可实现转子系统在仿真、实验、噪声环境下的状态识别,为基于CNN进行状态识别的网络结构设计提供了新的思路,也为在噪声环境下的转子系统状态识别提供了一种新的方法。