机械设备在现代工业生产中起到举足轻重的作用,一旦出现故障,极有可能带来巨大的经济损失,甚至引发人员伤亡。因此,对机械设备开展有效的状态监测与故障诊断对保障设备的安全运行,避免重大事故的发生具有重要的意义。特征提取是机械故障诊断的关键。传统的基于信号处理与分析以及浅层机器学习方法的故障诊断方法均依赖于人工提取有效的故障特征用于故障识别,要求技术人员具有大量的信号处理与机械设备故障诊断相关的专业知识,且无法有效实现特征提取与故障诊断的一体化、智能化操作。因此,本文以一体化、智能化的机械故障特征提取和故障诊断为目标,在深度学习框架下深入开展了基于深度自动编码器的机械故障诊断研究,具体研究内容如下:(1)稀疏性是衡量特征的关键因素。针对特征的稀疏性增强以及实际应用中对故障类型和故障大小的定性、定量化诊断的需求,提出了基于深度稀疏自动编码器的特征稀疏性增强双层故障诊断网络。深度稀疏自动编码器用于自动提取本质特征且有效增强特征的稀疏性,避免冗余,提高特征的代表性。双层网络的第一层、第二层分别用于自动实现故障类型和故障大小的定性、定量化诊断。实际的轴承故障诊断实验充分验证了该故障诊断网络的有效性,且相比于浅层的机器学习方法和深度自动编码器,该网络能够有效增强特征的稀疏性,具有更强的特征表达能力,在故障特征提取以及故障诊断上更具有优越性。(2)鲁棒性是衡量特征的另一关键因素。针对特征的鲁棒性增强以及实际应用中对加快网络收敛速度的需求,提出了基于深度压缩自动编码器的特征鲁棒性增强自适应故障诊断网络。深度压缩自动编码器用于自动提取本质特征且有效增强特征的鲁棒性,减少噪声的干扰。并将RELU函数和提出的自适应学习率算法相结合,用于加快网络的收敛速度。实际的齿轮故障诊断实验充分验证了该故障诊断网络的有效性和优越性,同时证明了RELU函数和自适应学习率的引入对加快网络收敛速度的有效性。另外,在不同信噪比下与深度自动编码器的比较实验充分凸显了压缩自动编码器能够有效增强特征的鲁棒性,在噪声干扰下提取到的特征具有更强的表达能力。(3)针对实际应用中直接利用原始时域信号进行故障诊断的需求,提出了特征鲁棒性与稀疏性增强组合型故障诊断网络。将深度压缩自动编码器与深度稀疏自动编码器进行组合,先利用压缩自动编码器增强特征的鲁棒性,减少时域信号中噪声的干扰,然后利用稀疏自动编码器增强特征的稀疏性,提高特征的代表性,从而在自动提取特征的同时实现特征的鲁棒性与稀疏性增强,使得特征具有更强的表达能力,从而有效实现时域信号作为输入下的机械故障诊断。最后,利用自制实验台采集的轴承数据验证了所提方法的有效性,并通过与浅层的机器学习方法以及深度压缩自动编码器和深度稀疏自动编码器对比,进一步验证了该组合型网络强大的特征学习和故障诊断能力。本论文基于深度自动编码器对机械故障诊断进行研究,并针对实际应用中的不同需求,提出了具体的故障诊断网络,能够有效实现一体化、智能化的机械故障特征提取和故障诊断,具有一定的理论意义和实用价值。