转子/转轴系统作为旋转机械重要的组成部分,在工作过程中因转子/转轴部分出现故障而导致旋转机械设备发生故障的情况屡见不鲜,并且一旦重要机械设备出现故障,所造成的损失会非常严重,因此在转子/转轴系统故障发生之前通过及时检测与诊断是避免或减小损失的重要途径。针对目前旋转机械转子/转轴系统故障诊断方法大多采用传统浅层模型,对于数量较大的样本处理能力有限的问题,提出了一种改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法并对转子/转轴的典型故障进行诊断。首先使用美国凯斯西储大学公布的滚动轴承故障数据对SDAE模型进行了初步验证,然后利用美国SQI公司的机械故障综合模拟试验台模拟了相关的转子/转轴各类故障,并结合LabVIEW编写的数据采集系统采集转子/转轴故障振动信号,最后利用SDAE模型对转子/转轴时域信号以及转子/转轴振动数据的功率谱密度信号进行了故障诊断,在训练SDAE模型时引入Dropout算法,并结合Softmax分类器进行网络训练与诊断。通过与传统BP网络、自动编码器(AE)和同属深度学习算法的卷积神经网络(CNN)进行对比,结果表明,改进的SDAE方法对于转子/转轴故障识别准确率最高。