大型载人游乐设施因其刺激的体验深受广大游客喜爱。作为载人特种设备,一旦发生故障,往往会对人们的生命安全造成严重威胁。以大型海盗船为例,悬挂船体的转轴长时间受到摆动的离心力,容易造成转轴弯曲或裂纹等损伤。由于发生故障的概率较小,在投入运营之后,极少对其转轴进行检测,且尚无成熟的理论方法针对旋转轴进行原位故障诊断。因此对大型游乐设施中转轴状态的原位检测方法展开研究,有着非常重要的经济和社会效益。大型机械设备在运行时会产生包含设备故障信息的振动信号,这为实现转轴的原位检测提供了数据基础。故障诊断的重点在于对设备产生的振动信号进行特征提取,滤除噪声信号并提取不同类型转轴的特征。因此,本文研究了适用于海盗船旋转轴的故障诊断方法。针对原始振动信号非线性、非平稳的特点,提出了相应的信号特征提取方法;针对转轴故障的识别分类,提出对应的机器学习分类方法。主要研究工作及内容如下:（1）针对难以从原始振动信号中直接获取有关转轴故障类型信息的问题,提出一种时域特征与机器学习结合的转轴故障诊断方法。选择与转轴故障相关的10种时域特征,对振动信号进行特征提取后输入3种机器学习的分类器,建立故障诊断模型。采集试验装置运行时的振动信号作为实验数据,结果表明,以轴承侧方信号作为实验数据,采用SVM分类器时,故障诊断模型对3种转轴有较好的识别能力。（2）针对人工提取振动信号时域特征对转轴类型区分度较弱,并难以建立识别率较高的诊断模型,提出一种混合特征排序与神经网络相结合的转轴故障诊断方法。将一维卷积神经网络作为特征提取器,融合所提深度特征与上述时域特征。建立特征评价体系对混合特征进行排序,最后采用4种分类器分别验证优化后特征的转轴状态识别能力。结果表明,同样以轴承侧方信号作为实验数据,采用SVM分类器时,可将转轴类型的识别总准确率由79.91%提升至97.14%。所提方法提高了对转轴类型特征的区分度,优化后特征能改善转轴类型识别能力。（3）针对单一时域特征存在无法有效区分不平衡轴和裂纹轴的问题,提出一种短时傅里叶变换与深度学习相结合的转轴故障诊断方法。对原始一维时域信号作短时傅里叶变换,得到二维转轴故障频谱图。采用二维卷积神经网络学习故障频谱图中关于故障类型的特征,建立转轴故障诊断模型。结果表明,同样以轴承侧方信号作为实验数据,所提方法对于故障诊断的总准确率、总查全率和总查准率分别提升至99.78%、99.79%和99.78%,对正常轴识别保持高查全率的同时,有效降低对不平衡轴和裂纹轴的误诊量。