随着计算机人工智能的发展以及科学技术的进步,旋转机械设备也正向着智能化方向发展,传统的人工识别方法已经无法满足现代旋转机械设备的需求。因此,在当前大数据时代,研究一种处理旋转机械大数据的方法迫不及待。深度自编码器神经网络作为深度学习的一种无监督学习算法,由于在处理复杂数据时具有很强的自动提取特征能力的优势,在图像处理和语音识别领域已经颇有建树,但是在故障识别领域的运用还有待开发。本文从旋转机械振动信号故障识别的研究背景出发,对于传统的人工故障识别方法需要大量的数据处理技术经验等问题,研究基于深度自编码器重构算法的旋转机械故障识别。本文在分析深度自动编码器算法的理论基础上,研究了深度自编码器算法的特征提取能力,主要对单个自动编码器分别在不同隐含层节点数、不同的隐含层数以及不同迭代次数下的特征提取能力进行研究,并对自动编码器的衍生结构进行堆叠形成深度自动编码器。深度自编码器算法能够从传感器所采集到的原始时域数据中自动的进行特征提取,使用网上公开的西储大学所采集到的滚动轴承数据集对此方法的故障特征提取和识别能力进行分析和验证,并和浅层神经网络(BP神经网络)进行对比,进一步验证了该方法对旋转机械故障识别的效果。由于单个深度自动编码器在处理多样性大数据以及复杂数据可能会出现较低的泛化性,为了克服单个深度自编码器的限制和增强泛化性,采用不同的激活函数作为隐藏函数来设计一系列具有不同特征的自动编码器,通过加权投票策略进行集成,提出了深度学习重构算法的旋转机械故障识别模型。最后,将此重构的深度学习算法应用到实验室行星齿轮箱的不平衡数据集上,从采集到的振动信号中获得深度特征,使用支持向量机作为分类器用于精确和稳定的故障分类。结果表明,此重构算法能消除对人工特征提取的依赖,克服了单个深度学习模型的局限性,比现有的模式识别方法更有效。