随着我国对汽轮发电机组需求量的增加,对汽轮机转子的故障诊断技术要求也更加严格,汽轮机转子长期处于高温高压的工作条件下,这导致汽轮机转子发生不对中、不平衡以及碰磨故障的概率大于其他旋转机械,这些故障如不及时诊断排除,会引起轴系损伤等次生故障,威胁整个发电机组的生产安全。传统的汽轮机故障诊断方法能够检测机组振动大故障并能及时停机来防止发生重大安全事故,但是在故障诊断方面往往需要人工提取转子的故障特征,然后通过故障特征进行诊断,这种方法需要大量的技术人员操作,然而相关技术人员培养缓慢且成本极高,发电厂现场维护人员往往缺乏相关知识储备,无法对故障进行及时诊断,造成不必要的经济损失。因此,本文使用TensorFlow深度学习模型搭建一种改进型卷积神经网络（CNN）,该方法能够自动提取转子故障信号特征并进行故障诊断,减少对人力的依赖;在此基础上使用该算法与最大均差算法（MMD）进行融合,解决了在数据不足状态下卷积神经网络对汽轮机变工况故障诊断准确率低的问题。本文主要工作内容如下:（1）使用东北电力大学汽轮机转子模拟平台对汽轮机转子故障进行模拟,获取转子正常工作、转子不平衡、转子不对中和动静碰磨4个状态的振动数据,其中每种故障状态又按实验模拟的故障程度分为轻度、中度、重度3个类型,首先根据数据故障类型和故障程度对数据加载数字标签,然后使用重叠算法对数据进行扩容处理,接着对得到的数据进行归一化处理,最后将数据随机分类为训练集和测试集。（2）通过更改传统卷积神经网络的卷积核形状和长度,使网络适用于处理一维数据,使其能充分发挥卷积神经网络的泛化性和鲁棒性等优点,克服了传统卷积神经网络对一维数据处理能力的不足。通过收集到的汽轮机模拟数据,对改进的卷积神经网络参数进行寻优,寻优参数包括:卷积核长度、网络层数和批处理次数等。网络的泛化性测试结果和准确率证明了该网络的可用性。（3）使用了一种基于最大均差算法与一维卷积神经网络相结合的故障诊断算法,引入迁移学习的方法,解决了在不同工况下汽轮机转子故障诊断准确率不高的问题。首先,搭建算法的模型,其中卷积神经网络部分的参数直接迁移已训练完成的参数模型,以一个转子模拟平台数据为源域,另一个转子平台数据作为目标域,以源域对应的卷积网络的损耗和最大均差算法之和作为网络训练的总目标。测试结果证明了该方法适用于不同工况下的汽轮机转子故障诊断。