随着科技和工业智能化的发展,机械设备健康管理领域中越来越多的数据被采集,对设备的诊断分析和智能化故障预警也成为一种趋势。然而传统方式无法满足大数据背景下海量数据地处理需求,且海量数据中工况信息复杂多变,若采用人工标记训练的方式与智能化的指导思想相违背。在这样的背景下,需要采用深度学习等智能处理算法,设计一种适用于复杂工况的新型故障诊断模型,提高设备故障诊断的精准性和鲁棒性。因此,本文围绕面向复杂工况环境下的工业设备故障诊断系统设计与实现展开研究,主要研究内容如下:1、基于卷积神经网络的故障特征学习方法:针对故障特征提取困难且可复用性低的问题,提出一种基于一维卷积神经网络的特征提取方法来处理振动信号数据,自动挖掘故障特征信息用于最后的分类任务。该方法通过改进卷积核和池化层结构,提高了网络对输入数据的微小扰动的抗性。本文基于一维卷积神经网络结合分类器对工业设备进行故障诊断,通过对比试验证明本文提出的特征提取方法相较于主流神经网络在工业设备特征提取能力上有明显提升。2、基于自编码器的领域映射方法:针对不同工况带来的领域漂移导致诊断准确率下降的问题,本文提出基于自编码器的领域映射方法,通过将特征提取网络提取出的特征映射到公共空间来消除工况波动的干扰。试验结果表明,与近几年文献所提方法相比,该方法的鲁棒性更强,准确率也维持在较高水平。3、工业设备诊断平台的搭建:平台包含用户管理模块、设备管理模块、设备故障管理模块、监测数据模块,可以实现设备的故障预警和维修,设备历史数据存储等功能以满足实际生产需要。