柴油机作为一种重要的动力机械,具有零部件多、运动复杂、工作环境恶劣等特点,其状态性能好坏将直接影响工作任务的顺利进行。一旦发生故障轻则停工停产造成经济损失,重则导致人员伤亡。因此,研究柴油机的故障诊断技术和状态评估方法,对确保柴油机工作正常具有重要意义。在柴油机的实际工作中,由于噪声干扰、工况多变,传统的特征提取和模式识别方法需要人为提取并筛选特征已经很难自适应的解决故障诊断问题。基于此,本文以柴油机为对象,针对故障数据缺乏,故障敏感特征提取不准等问题,引入卷积神经网络以自适应提取特征,数据扩增和迁移学习以弥补数据量的不足,进而研究典型故障诊断方法;此外,针对柴油机非稳定工况评估方法匮乏等问题,进行了相关评估研究,并将所提出的方法在工程实际数据上进行了验证。论文的主要内容如下:(1)研究了基于机理的数据扩增和改进的深度卷积网络的柴油机故障预警与诊断方法。首先基于故障机理特征分别生成失火和气门故障的振动图像,然后采用改进的ResNet训练并制作故障数据库,最后分别使用阈值法和SVM法进行了验证。(2)研究了基于迁移学习的柴油机故障诊断方法。首先使用预先训练的AlexNet模型,在5%～80%的数据下训练并进行故障诊断,然后与普通的CNN和EMD+SVM法对比分析验证了方法的有效性,最后通过可视化分析解释了迁移学习的合理性。(3)研究了基于灰色评价的柴油机启机评估方法。首先利用Teager算子和冲击定位自适应地捕捉启动阶段每周期各缸的高压气体冲击区域,然后提取可以表征高压空气的做功能力的特征,最后采用灰色评价法进行综合评估,并通过实际测试结果进行了验证。