在连续化大生产的石油化工等工业流程的生产过程中,高速离心泵作为流程中的核心设备,在满足性能的要求下,必须要在运行过程具有良好的稳定性和可靠性。在实际运行过程中,高速离心泵因未及时发现问题而引起故障,将会严重影响连续化大生产,造成巨大的经济损失。目前,高速离心泵在工业界的故障诊断还是以API610标准为依据进行定期巡检,少部分在线监测仅仅是阈值报警。在研究方面,虽然有不少故障诊断的研究,但很少能真正用到高速离心泵的实际故障诊断中,主要原因是缺少完整的故障数据样本。在实际工程中,很难获得具有完备性、通用性的故障样本,因此,基于样本分类的有监督人工智能方法难以展开有效的应用。并且,大部分研究仅仅从旋转机械和信号方面展开,较少涉及到高速离心泵的流场特性。因此,本文通过对高速离心泵的内流场特性、压力脉动、缺少故障数据样本情况下的故障诊断模型等方面的研究,寻找适合于高速离心泵在线故障诊断监测方法,建立高速离心泵的故障诊断平台,实现高速离心泵的在线监测、运行判断和安全预警,对高速离心泵的长期可靠运行和预测性维护具有一定价值。本文以2台自制的实验泵作为研究对象,开展了数值建模和仿真,在实验平台上进行了外特性实验,并与数值模拟仿真进行了对比研究,通过对比得出数值模拟方法的有效性和准确性。基于数值模拟和实验数据,分析了高速离心泵内流场和压力脉动的特性,同时分析了在不同转速、流量等工况条件下高速离心泵内部流动特性、压力脉动和振动的相关关系。分析不同流量工况高速离心泵不稳定流动的特性,以及由此形成的压力脉动及其频谱特性。基于这些结论分析了在高速离心泵这种特殊工况场景下作故障分析的困难,为了解决这些难题,引入基于无监督深度学习的故障诊断方法,分析了高速离心泵振动数据的特征,通过对比引入了变分自编码器的高速离心泵故障诊断模型,变分自编码根据振动信号,提炼其高维特征,通过训练得出其高维特征的统计分布模型,根据训练得到诊断模型。基于得到的模型开展了高速离心泵故障诊断在线监测平台研究和设计,在云平台下实现了故障监测平台并用工程泵进行了应用。