随着当代机械的大型化、自动化程度不断提高,当设备发生故障时,易造成重大的经济损失甚至是人员伤亡,所以对这些机械设备的安全性及稳定性要求也在提高。在风力电站发电设备中,转子作为核心部件,其安全稳定的运行是人员及经济的重要保证,在发生故障时,必须及时对转子的振动信号进行故障识别,避免转子故障的进一步发展。传统的机器学习故障诊断方法通过对故障信号进行人工的特征提取及学习进而判断故障类型,但由于特征提取的不恰当及学习深度的不足而影响了机器学习方法对故障类型的诊断精度。针对传统旋转机械转子故障诊断方法在特征提取及诊断精度等方面的不足,提出了基于对称点模式(Symmetry Dot Pattern,SDP)图像特征信息融合与深度学习Visual Geometry Group Network(VGG)相结合的转子故障诊断方法。利用SDP分析方法将一维时域信号转化为极坐标系中的SDP图像,故障信号间的差异以图像的方式进行表达。深度学习VGG网络可自适应提取、学习故障SDP图像的特征,通过对故障SDP图像的类别进行判别实现故障诊断,避免了人工特征提取不足对故障诊断精度的影响。首先,建立了基于SDP图像与VGG网络的转子单一故障诊断模型。采用SDP信息融合技术对转子故障状态下的多通道振动信号进行信息融合,通过SDP图形特征可简单直观的区分不同转子故障振动状态。结合深度学习VGG网络自适应提取SDP图像的特征信息,对不同故障转化的SDP图像实现准确的诊断识别,进而判别故障类型。通过转子试验台实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)相比较在识别精度上高于后者。其次,建立了基于SDP图像与VGG网络的转子不平衡故障程度诊断模型。通过在转盘上添加不同数量的螺钉模拟不同程度的转子不平衡故障并采集振动信号,故障信号转化为SDP图像后可清晰的表达不同转子故障程度间的差别;将故障SDP图像作为VGG网络的输入图像,VGG可自适应提取及学习SDP图像中的特征,通过对VGG网络中的参数优化,该模型可实现4种不同程度转子不平衡故障的诊断识别,为故障早期发现及故障阶段判别提供了参考。最后,针对旋转机械转子耦合故障受故障类型、故障程度及故障发展阶段的影响,在时频分析过程中难以准确判别耦合故障类型的问题,提出了基于SDP图像与VGG网络的转子耦合故障诊断方法。通过试验台进行转子耦合故障的模拟及信号采集,耦合故障信号的SDP图像可简单、直观的表达了耦合故障之间的差异;结合VGG网络的特征提取及学习能力,对SDP图像进行分类识别。通过优化VGG网络中的参数,实现了转子耦合故障的高精度诊断。