旋转机械作为工业中常见的一类机械设备,广泛应用于蒸汽轮机、燃气轮机等大型转子系统以及电机、齿轮箱、泵等小型设备,在工业生产领域具有重要的作用。随着计算机、传感网、人工智能等技术的发展,旋转机械设备向着复杂化、智能化方向高速发展,加上运行环境复杂,旋转机械容易发生故障。零部件发生损伤或故障,可能使得整个旋转机械无法正常工作,更为严重的会造成企业人员安全事故发生。旋转机械设备的状态监测、故障诊断是保障设备安全稳定运行的前提,对预防性维护也至关重要。基于深度学习的故障诊断可实现端对端的诊断,在机械故障诊断、健康监测领域得到了一定的应用,但存在实际故障诊断中的小样本故障数据与深度网络模型需要大训练样本之间的矛盾等问题,仍需进一步研究。同时大数据、工业互联网等新一代信息技术的发展为设备故障状态检测、诊断提供了新理论、新方法。本文以易发生故障的旋转机械关键零部件（轴承、齿轮）作为研究对象,重点研究深度卷积、深度编码在故障预测、特征提取、故障诊断方面的应用,基于工业互联网技术实现故障信号采集、云端存储、故障状态检测与诊断等功能。本文的主要工作及研究内容如下:（1）针对实际故障诊断中的小样本故障数据与深度网络模型需要大训练样本之间的矛盾,研究提出了一种基于海量正常监测数据的故障预警方法,构建了基于改进卷积自编码的预警模型,采用自适应阈值设定重构误差阈值,并通过齿轮箱和轴承应用验证,分别实现故障预测准确率98%和96%以上。（2）监测的大数据中可能蕴含着尚未出现过的故障模式,基于已有故障模式,直接对故障进行识别,往往造成诊断误差、诊断精度不高等问题,针对此问题采用分层识别的方法,对故障模式进行逐级细分,首先采用轮廓系数作为评价指标,基于自适应层次聚类对数据进行聚类分析,然后根据其聚类结果建立Sub DAE模型,并以齿轮箱为例,实现故障诊断准确率99%以上,提高设备的故障诊断率。（3）研发了基于工业互联网的故障诊断系统,实现设备的状态监测与故障预警、诊断,打破状态监测的信息孤岛,挖掘故障隐患,为设备的维修提供技术支持。论文的目标是完成对分布式的高维特征提取、基于海量正常监测数据的故障预警、基于分层的故障诊断等关键技术研究,研发基于工业互联网的旋转机械状态监测与故障诊断系统,以齿轮箱和轴承为例,验证智能诊断算法的有效性,对旋转机械的故障进行监测和诊断,提高生产效率和设备的可靠性。