随着现代工业的迅速发展和机械运行设备的不断升级,对旋转机械进行及时有效的故障诊断能避免经济损失和安全事故的发生。传统的故障诊断方法依赖专家经验和先验知识,已不满足复杂机械设备的故障诊断需求,需要不断研究和开发出更为高效、智能的故障诊断方法。深度学习和迁移学习的兴起为旋转机械故障诊断技术提供了新思路。基于此,本文以旋转机械为主要研究对象,以卷积神经网络和迁移学习为理论基础,对旋转机械故障诊断方法开展研究。本文的主要研究工作分为以下三方面:(1)针对基于传统机器学习的故障诊断方法手工特征提取繁琐以及浅层表示影响诊断性能等问题,提出了一种基于时频分析和卷积神经网络的故障诊断方法,先利用连续小波变换将原始振动信号转换为二维时频图像,再利用卷积神经网络的特征学习能力,从转化后的时频图像中自动学习有利于故障分类任务的特征信息,经Softmax后完成故障的分类,并在凯斯西储大学电机轴承数据集上验证了该方法的有效性。(2)针对在旋转机械故障诊断领域带标注故障样本量不足,限制了网络模型的深度,导致模型泛化性不强、诊断效果差等一系列问题,提出一种基于深度迁移卷积神经网络(DeepTransferConvolutionalNeuralNetwork,DTCNN)的故障诊断方法。该方法融合迁移学习与卷积神经网络,以ResNet-50架构作为预训练DTCNN模型,通过微调预训练深度网络的方法,使得所提DTCNN模型在旋转机械故障诊断中表现出强大的特征提取能力,从而实现了高精度的故障分类,并在凯斯西储大学轴承数据集和自吸离心泵数据集上进行了实验验证,结果表明,该方法均可以在这两个数据集上取得很高的分类准确率,并具有良好的泛化能力。(3)针对在基于深度迁移学习技术的故障分类任务中,搭配Softmax分类器的模型暴露出泛化性不足、分类速度不够快等缺点,提出了一种将极限学习机(ExtremeLearningMachine,ELM)与DTCNN相结合的故障诊断新方法,旨在利用DTCNN强大的特征提取能力和ELM高效的分类能力,实现更准确、快速的故障分类,在凯斯西储大学轴承数据集和帕德博恩大学轴承数据集上进行实验,结果表明,该方法在分类准确率和计算时间方面均有一定的优势,结果验证了该方法的有效性和效率性。本文基于卷积神经网络算法和迁移学习技术开展了一系列研究,旨在为旋转机械故障诊断领域提供一种新思路,具有一定的工程应用价值和理论参考价值。