故障诊断在保障设备运转安全、避免人员财产损失方面起着至关重要的作用。基于数据驱动的故障诊断方法可以从设备的历史工作数据中提取深层特征而不需要精确的机理模型。深度学习作为一种强大有效的数据特征提取手段,在基于数据驱动的故障诊断领域中受到了研究者广泛的青睐。实际工业现场的安全保护机制决定了难以收集到大量的真实故障数据。同时,这些故障数据可能是由不同传感器采集到的多源故障数据。如果不对这些有限的单、多源故障数据进行有效而充分地利用,势必会造成故障数据中大量有效信息的浪费,继而影响到故障诊断的准确性。本文致力于充分发掘和使用故障数据中的有效信息,开展了基于故障数据特征挖掘和多源数据特征融合的深度学习故障诊断方法的研究,以实现在特征层面上对故障数据的充分利用。本文的主要工作及创新点如下:(1)提出了一种基于数据特征挖掘的深度学习故障诊断方法,该方法通过构建动态波形序列这种新的数据异构形式,实现对滚动轴承故障数据的特征挖掘,使故障数据中的时间序列特征和空间邻域特征得以同时显现。然后根据特征抽取的需要设计了CCLSTM故障诊断模型。通过对这种新的异构形式的特征抽取,实现对故障数据特征挖掘的深度学习故障诊断。(2)提出了一种基于多源特征融合的深度学习故障诊断方法。该方法使用渐进式的交替特征融合算法实现多源数据特征的融合,同时提出了一种交替融合网络的渐进式训练方法。在融合网络交替训练的不同阶段使用特定的训练策略,保证交替训练收敛的同时加快网络训练速度。通过使用渐近交替的特征融合方法对多源故障数据之间共性特征进行抽取,实现了多源故障数据特征融合的深度学习故障诊断。(3)设计实现基于特征挖掘和特征融合的深度学习轴承故障诊断软件,详细介绍了各个功能模块的设计思路、实现框架及其主要功能,为将基于特征挖掘与融合的深度学习故障诊断方法应用于现实场景提供了可能。