旋转机械故障诊断可以在故障恶化前对其进行检测、识别和定位，对于确保大型旋转机械的安全可靠运行至关重要。面对旋转机械实时智能诊断需求的增长，本文对旋转机械变工况故障的智能诊断方法进行了深入研究。针对不同旋转机械部件的故障特征，考虑变工况运行对振动信号的影响，通过对卷积神经网络的网络结构、网络输入和训练方法的改进，依次提出了针对轴系、滚动轴承和齿轮箱耦合故障的智能诊断方法，并设计开发了旋转机械在线振动监测与故障诊断系统。
　　首先，依次介绍了旋转机械中常用部件：轴系、轴承和齿轮箱的变工况故障模拟实验，包括实验台结构、故障引入情况和数据采集存储方式等，为后文中基于深度学习的故障诊断方法提供了验证数据集。
　　第二，对于变转速下的轴系故障诊断，提出了一种基于小波灰度图和卷积神经网络(Convolutional neural network, CNN)的故障诊断方法。根据变转速下轴系故障特征的分布对小波灰度图进行了截取，直接使用截取后的二维小波灰度图作为CNN输入，实现了旋转机械轴系故障的智能诊断。该方法可以有效利用CNN处理多维输入的能力和小波灰度图保留信号完整时频域故障信息的特点，避免了复杂的特征提取步骤和其间可能发生的故障特征的遗漏。对旋转机械轴系实验台故障数据的准确诊断验证了该方法的有效性。
　　第三，对于变转速下的轴承故障诊断，提出了一种基于改进的空间金字塔池化CNN的诊断方法。考虑到变转速下小波灰度图中滚动轴承故障特征分布的变化，根据转速和采样频率从轴承振动信号中获取不同大小的小波灰度图。并改进了现有的空间金字塔池化层，通过在空间金字塔池化层后进行特征图重组，实现了以不同尺寸小波灰度图作为输入的轴承变转速工况下故障的智能诊断。对变转速轴承故障实验数据的分析验证了该方法的有效性，并表明了使用部分转速数据训练得到的CNN诊断模型可以用于全转速范围内轴承的故障诊断。进一步地，提出了一种基于信息融合的轴承变工况故障诊断和定位方法。该方法将轴承故障特征频率等领域知识、运行工况与多传感器振动信号融合为高维异构信息，作为CNN的输入，进而使用包含多个分类器的多任务CNN同时实现了滚动轴承的故障诊断和故障定位。使用多轴承变工况故障实验数据对该方法的验证结果表明，该方法比现有文献中的方法有更高的诊断正确率，同时实现了故障轴承定位，这将有利于进行故障轴承的维修和更换。
　　第四，针对齿轮箱经常发生的故障耦合问题，提出了基于多任务并行CNN的故障诊断方法。该方法使用小波包分解来获得振动信号的时频域信息，基于领域知识构造了轴承和齿轮的故障特征图，并将其和运行工况、小波包分解矩阵融合作为CNN输入。同时运用并行神经网络的思想，对多任务CNN进行改进，使用由多个卷积和池化层组成的综合信息提取模块对网络输入中的通用特征信息进行提取和约简，然后使用多个并行的CNN子网络对通用特征分别进行进一步的特征提取，实现了对齿轮箱中不同齿轮和轴承的耦合故障的同步诊断。对齿轮箱耦合故障实验数据的诊断结果验证了该方法的有效性。
　　最后，设计开发了旋转机械在线振动监测及故障诊断系统，该系统可以对旋转机械各部件的振动情况进行实时监测和高效的数据管理，提供了丰富的振动分析功能。本文中提出的故障诊断方法通过联合编程的形式在该系统中得到了应用，可以对旋转机械各部件进行实时准确的故障诊断；同时系统提供了故障诊断专家系统模块，使操作人员能够综合多种信息，进行更准确的旋转机械状态评估。