本文是在国家自然科学基金(No.51675258,51261024,51075372),机械传动国家重点实验室开放基金(No.SKLMT-KFKT-201514)的资助下展开的。围绕深度学习为中心,针对旋转机械故障预测及诊断等方面展开研究,结合最新的多隐层人工神经网络,提出了基于深度学习的机械故障诊断新方法,并将提出的算法应用到机械故障诊断中,实验结果证明了提出方法的有效性。本文的主要研究内容包括了以下几个方面:第一章,论述了本课题的提出及其开展研究的意义,论述了深度学习的国内外研究现状及深度学习在机械故障诊断领域的研究现状。在此基础上提出了本文的主要研究内容、结构安排和创新之处。第二章,利用深度信念网络可以从低层逐步学习到更加抽象复杂的高层表示的特点,提出了基于深度信念网络的机械故障诊断方法。在提出的方法中,首先直接从轴承振动数据出发将振动信号输入到第一层RBM中,进行RBM的前向训练,经RBM的层层堆叠得到深度信念网络。之后对训练得到的深度信念网络进行后向参数微调,由最高层出发,依次向低层进行逐层参数微调,得到完整的深度信念网络模型。最后,利用训练得到的网络模型对机械设备进行故障诊断。实验结果表明,提出的方法能够实现故障特征的自适应提取和轴承健康状况的智能识别,克服了传统方法在特征提取和故障识别中需要依靠大量的信号处理知识和工程经验的不足,减少了人工参与故障诊断的因素。对比实验表明,提出的方法比传统基于小波方法、多变量特征和特征峭度方法具有更高的故障识别率。第三章,针对传统的卷积神经网络利用多个权值仅可获得很小的感受野以及训练过程中网络内部协变量易发生转移网络泛化能力不足的缺点,提出了BN-WCNN卷积神经网络。在提出的网络中,首先对原有的卷积神经网络进行了重新的设计,其中将第一层卷积核设计为宽卷积核,其余卷积层保持结构不变,同时在保持网络提取故障特征能力的情况下减少卷积核参数。这样做不但可以加深网络的深度,而且可以抑制网络的过拟合同。其次在卷积操作之后加入了BN处理,来防止网络内部协变量发生转移,提高网络的泛化能力。在完成网络的设计后,为了验证网络的有效性,将BN-WCNN网络应用于轴承故障诊断中。实验结果表明,提出的方法可以直接从时域振动信号中提取故障特征,对轴承故障进行高精度的识别,验证了提出方法的有效性。第四章,利用降噪自编码机可以在含噪声的样本中实现对数据重构的特点,将基于降噪自编码机的深度神经网络应用到含噪干扰的旋转机械设备故障诊断中。首先将旋转机械的频域信号输入到降噪自编码机中,利用多个降噪自编码机进行层层堆叠得到深度神经网络。在得到深度神经网络后,采用dropout技术对网络进行微调,完成网络的训练,并进行故障诊断。实验结果表明,提出的方法可以克服对信号处理知识、工程诊断经验的依赖以及噪声信号的干扰,自适应的从频域信号中直接提取故障特征。第五章,论述了传统采用单通道孤立信息进行机械设备状态监测和故障诊断方法的不足,并介绍了基于多通道信息融合的全矢谱技术及两传感器正交安装的双通道全矢谱数值计算方法。结合全矢谱技术在多信息融合方面的优势以及深度神经网络强大的建模和表征能力提出了全矢谱-DNN算法。算法中,首先利用全矢谱技术对多通道的机械振动数据进行融合,得到融合后的信息,并进行归一化处理。之后将信号输入到DAE网络中进行网络的训练,利用网络的逐层训练将多个DAE进行堆叠得到DNN网络。最后用训练得到的DNN网络进行轴承故障预测,实验结果表明,提出的方法能够很好的融合多通道的信息,具有很好的适应性和较高的预测精度。第六章,对各个章节作出了梳理和全面总结,并指出仍需改进优化的地方,对有必要进行深入持续研究的方向进行了展望。