随着“工业4.0”战略及“中国制造2025”计划的开展,传统机器的转型升级成为工业领域建设的重点,机器故障诊断作为工业领域一项重要技术也逐渐成为人们关注的焦点。早期的机器故障诊断是故障诊断专家或工程师通过自身经验对机器故障进行人工诊断,但专家和工程师的人工经验需要长时间的积累,代价高昂且故障诊断效率较低。随着机器设备的智能化发展及机器种类的不断增加,故障诊断专家和工程师的数量已无法满足现代工业的需求。此外,机器发生故障的异常数据较少,传统的机器故障诊断方法对数据特征的学习有限,给高质量需求的机器故障诊断带来了巨大挑战。本文对国内外机器故障诊断技术进行了分析、研究及对比,对基于深度学习的故障诊断技术及相关理论进行了重点研究。针对目前机器故障诊断中异常数据少,且正常与异常的判断边界难以明确,设计并实现了基于卷积自动编码器的无监督学习和基于残差网络的有监督学习方法,通过仿真实验对设计方法进行了验证,具体研究内容如下:(1)目前主流的故障诊断技术为基于自动编码器的故障诊断方法。在该方法中,一般通过学习正常声音数据对模型进行训练,使得模型在正常声音数据上的重构误差较小,而对未见的故障数据重构误差较大,通过重构误差值判断是否发生故障。自动编码器提取数据特征能力相对较弱,卷积层可以为自动编码器中的编码与解码提供更优的数据特征,使得正常数据的重构误差降低,进而加大了正常数据与故障数据之间的重构误差距离。因此本文通过设计卷积自动编码器,将其应用在机器故障异常声音识别中,提出了基于卷积自动编码器的机器故障异常声音识别方法。在评估数据集上,相较于基于自动编码器的基线系统AUC和pAUC值分别提升了0.17%和2.15%。(2)针对异常检测无监督学习方法中对正常与异常决策模糊的问题,有监督学习可以更好的刻画数据正常与异常的边界,因此有监督学习方法可以得到更好的识别效果。本文通过对数据集进行重新划分,将无监督学习任务变为有监督学习的二分类任务,设计并实现了基于残差网络的有监督学习的故障异常声音识别方法,使模型可以学习到更好的数据特征边界,进而使得模型的识别率得到提升。在评估数据集上,相较于基于自动编码器的基线系统AUC和pAUC值分别提升了8.76%和16.53%。(3)采用PyCharm搭建仿真实验平台,对设计的基于卷积自动编码器和基于残差网络的机器故障异常声音识别方法进行验证,并将其与基线系统、高斯混合模型和卷积神经网络模型结果进行对比分析,再通过扩充数据集对残差网络模型做进一步的性能验证。实验结果表明:本文所设计的基于残差网络的机器故障异常声音识别方法具有更好的识别效果和泛化性能。