旋转机械是现代社会中不可缺少的一类机械设备,被广泛应用于工业领域。为保证设备系统的安全高负荷运行,避免事故的发生,需要随时监测旋转机械的运行状态,并及时准确地识别并处理旋转机械出现的故障。随着工业技术的不断发展,旋转机械运行愈加精密、复杂,因此对旋转机械的故障识别工作也提出了更高的要求。而机器学习作为信息化发展中的一项重要技术,能够以数据为中心、融合多学科优势,是提高效率、保障收益的有效工具。基于此,本文将机器学习理论融入到旋转机械故障识别领域,符合当前的发展趋势和时代要求,同时能够提高旋转故障识别的准确性、时效性和可靠性。旋转机械故障识别的传统方法和新兴方法有各自的局限性,因此在实际工作中需要选取合适的算法进行模型构建。本文运用机器学习理论对旋转机械振动故障识别开展了针对性研究。首先,本文以转子为研究对象,介绍了旋转机械振动故障分类情况,主要包括转子不平衡、动静件摩擦、转子支承部件连接松动这三种强迫振动和油膜振荡、油膜涡动这两种自激振动,为后文的旋转机械振动故障识别提供理论基础;其次,本文设计了一个基于故障判别的故障识别模型,若经故障判别模块判定输入数据属于异常数据,则将数据送入故障识别模块做进一步故障分类,故障识别模块使用改进的长短期记忆循环神经网络,该网络集成了长短期记忆循环神经网络和深度置信网络,后接softmax分类器;最后,在实验环节介绍了本文使用的开发语言和实验环境以及数据预处理方法,从实验台数据和现场数据两个角度进行实验建模,并与其他分类算法进行对比,从模型优劣的三类经典评价指标召回率、精准率和准确率验证本文提出的旋转机械振动故障识别技术的优越性与高效性。