随着旋转机械大量应用于电力、石化冶金以及航空航天等工业领域,其设备安全问题由于关乎人民群众的生命财产安全,逐渐成为国内外学者关注的焦点,其中由于转子不平衡以及不平衡引发的其他故障最为常见,约占总故障的70%。现如今随着工业4.0智能化工业的高速发展,基于大量工业数据的故障诊断技术层出不穷,以数据驱动的智能故障诊断方法以其高效快速的特点逐渐成为一颗冉冉升起的新星。本文以转子不平衡故障为研究对象,采用时频域特征与额外特征结合的极限学习机算法、自适应提取特征的稀疏自编码器算法进行对比。针对单一通道振动信号信息不完全,会对诊断结果产生误判的情况,采用全矢谱信息融合技术,对双通道信号进行融合。结构参数采用经验和借鉴的方法,进行两种算法单双通道共四个模型的对比,并使用遗传算法对模型对模型进行优化。文章主要的研究工作如下:建立基于全矢谱技术和极限学习算法的不平衡故障诊断方法和基于全矢谱和支持向量机的不平衡故障诊断算法并通过实验进行验证。过程为首先使用全矢谱技术对双通道信号进行融合,产生信息更加完整的融合信号,提取融合信号的时频域特征、全矢能量特征、额外特征作为输入,构造完整的全矢机器学习模型,同时构造单通道极限学习模型进行对比,实验表明:基于全矢机器学习的模型不平衡故障的识别能力要高于单通道模型。使用实验数据和噪声数据对两种模型进行测试,结果表明全矢机器学习故障诊断模型对实验数据的适应能力强,抗噪声能力相比单通道数据要好,但在信噪比低于1时表现不佳。针对全矢机器学习算法对噪声信号很强时识别不准问题和输入特征的冗余问题,针对噪声信号使用EEMD算法滤波,针对冗余特征使用遗传算法GA对特征进行优化,去掉不必要的冗余特征,提出遗传算法结合相关性特征选择的转子不平衡故障特征优化方法,对特征进行筛选,降低特征间的冗余性,显著提高运算效率。同时为弥补诊断准确率下降的问题,提出遗传算法加权ELM的不平衡故障特征优化方法,通过添加权重系数,减少特征量之间由于大小相差过大导致的误差。实验结果表明,该方法可显著提高不平衡故障的准确率和计算效率。