阀冷系统作为换流站中换流阀的主要辅助装置之一,通过把换流阀运行过程中产生的热量转移来保证换流阀工作在正常温度。主循环泵作为整个阀冷系统的动力核心,其性能的优劣将会直接影响整个阀冷系统的运行状态,一旦发生故障,轻则影响换流阀的正常工作,重则造成装置损坏、人员伤亡。因此,对主循环泵进行故障诊断很有必要。但目前针对主循环泵故障诊断的研究不多,且故障诊断方法大多停留在经验判断和人工提取特征再分类的阶段,存在容易误判和费时费力的缺点。为了解决上述问题,本文通过深度学习算法针对主循环泵的平行不对中、正常、不平衡、角不对中和松动五种工况进行故障诊断研究。本文主要研究内容如下:（1）考虑到主循环泵振动信号非平稳的特点及卷积神经网络在图像分类上的卓越表现,本文提出将时频分析方法中的Wigner-Ville分布（Wigner-Ville Distribution,WVD）和二维卷积神经网络（Two-Dimensional Convolutional Neural Network,2DCNN）结合的主循环泵故障诊断方法WVD-CNN。先通过WVD提取主循环泵振动信号的时频特征并将其变换为二维时频图,再由2DCNN实现二维图像的分类,完成主循环泵的故障诊断。该方法在测试集上的准确率、F1分数、召回率和精确率分别为99.7%、0.997、0.996和0.997,证明了该方法的在主循环泵故障诊断上的有效性。（2）WVD和2DCNN结合的主循环泵故障诊断方法虽然可以完成主循环泵的故障诊断任务,但仍然存在人工提取特征等外在因素的影响,且特征提取和维度转换过程较为繁琐,花费时间较长。因此,本文提出了改进一维卷积神经网络（Modified OneDimensional Convolutional Neural Network,M-1DCNN）。该网络实现了端到端的主循环泵故障诊断,在一维卷积神经网络（One-Dimensional Convolutional Neural Network,1DCNN）的基础上引入了批量归一化（Batch Normalization,BN）层、Dropout层、第一层宽卷积核,并加深了网络深度,避免了1DCNN特征提取能力不够及过拟合等问题。最后通过测试集的验证,该方法的准确率、F1分数、召回率和精确率等指标可达到98.3%、0.984、0.985和0.984,虽然模型性能不如WVD-CNN,但在诊断时间上却大大减少。（3）1DCNN更多提取的是主循环泵振动信号的空间特征,在时间特征提取上存在不足且模型性能仍有提升空间,同时考虑到主循环泵的故障信号采集中会出现数据不平衡的问题。因此,本文通过随机过采样处理数据集的不平衡问题并提出了多尺度深度学习模型（Muti-scale Convolutional Neural Network and Long Short-Term Memory,MCNN-LSTM）。该模型使用两个卷积核大小和数量均不相同的1DCNN并行提取主循环泵振动信号的高频和低频特征,经平均池化层降维后由BN层调整特征分布并进行特征融合,再由两层长短时记忆网络（Long Short-Term Memory,LSTM）进一步提取时间特征,最后Softmax输出诊断结果。该方法在测试集上的准确率、F1分数、召回率和精确率等指标为0.987、0.987、0.987、0.988,在于其他模型的比较中证实了该方法在主循环泵故障诊断上的优良性能。