转子系统在石油石化行业中应用广泛,一旦发生故障可能造成人员伤亡、财产损失等十分严重的后果。转子系统故障诊断过程中存在两个问题:(1)转子故障诊断主要依据振动信号,但其运行工况复杂、环境噪声大,导致转子系统故障诊断率低。(2)转子系统在智能故障识别过程中,故障特征选择没有统一标准受人为因素影响很大,最终导致振动监测故障诊断率低。针对以上两个问题,以转子系统为研究对象,提出基于差值尺度谱和卷积神经网络的转子故障诊断方法,降低噪声及人为因素对故障识别准确率的影响。本文主要研究内容如下:(1)从理论、模拟信号分析、实验信号分析三个方面,研究转子系统主要故障类型、时域故障特征、频域故障特征以及时频域故障特征,结果表明时域图、频域图及时频域图(小波尺度谱图)在无噪声情况下可以清晰分辨出不平衡、不对中、碰摩和基座松动故障,但是在大噪声背景下无法有效识别故障类型,转子系统故障诊断需要一种能在大噪声背景下提取故障特征的方法。(2)由于最大相关峭度解卷积滤波可以有效提取大噪声中的冲击分量,希尔伯特包络谱和小波尺度谱可以凸显冲击分量,所以提出一种基于最大相关峭度解卷积滤波、希尔伯特包络谱及重排尺度小波谱结合的差值小波尺度谱方法,通过该方法获得的振动信号差值小波尺度谱在倍频分量处幅值较高,可以有效分辨大噪声背景下的转子系统故障类型,并且采用模拟信号及实验信号证明差值小波尺度谱,可以提取大噪声背景下的故障特征。(3)提出一种基于改进卷积神经网络及差值小波尺度谱相结合的故障诊断方法,该方法将一维振动数据处理成差值小波尺度谱,然后输入卷积神经网络分类,不需要人为选择特征。设计该方法的实现步骤,通过转子系统实验分析验证该方法的故障诊断准确率可达到96%。(4)研究两种消除过拟合的方法,限制神经元及Dropout在提高神经网络稀疏程度及增加网络泛化能力方面的效果,并根据该结果确定最优保持概率p等于0.4,将卷积神经网络优化为深度稀疏矫正卷积神经网络,对比实验结果,该模型分类准确性比传统CNN提高了8个百分点。