旋转机械的传动系统和工作条件存在多样性和复杂性,使得振动信号具有非线性和非平稳。各种激励源产生的信号存在模糊、混合和多耦合特点,使得区分故障信号和正常信号变得困难。目前,旋转机械中的轴承安全对现代石油化工系统的可靠性与稳定性具有重要的意义,轴承故障诊断已成为石化装置系统设计和维护的关键环节。不少基于无量纲指标的轴承故障诊断方法被提出,往往未能实现有效精准的健康监测。深度学习作为机器学习子领域,起到连接石化旋转机械故障数据与健康监测的桥梁作用。本文针对传统时域分析的故障诊断方法存在特征向量计算量大、对诊断知识过度依赖与特征提取算法复杂等局限,利用深度学习在机器视觉优势,提出基于时间序列编码的故障诊断算法、基于互无量纲指标与类Gram矩阵的故障诊断算法和基于经验模态分解和互无量纲的故障诊断算法。主要研究内容如下:（1）提出基于时间序列编码与深度学习相结合的故障诊断方法。首先研究将故障振动信号通过时间序列编码转换成故障图片;接着研究利用不同深度学习模型对二维数据识别分类;最后采用广东省石化装备故障诊断重点实验室与凯斯西储大学实验室的多级离心风扇采集到的两个数据集测试,实现了平均预测准确率分别为94.07%和96.28%。该方法研究了极坐标双映射原理,消除传统Gram矩阵高斯噪音,解决内积不满足线性和正定要求。故障诊断过程不需要预先确定参数,尽可能地消除专家经验带来的影响。（2）提出基于互无量纲与类Gram矩阵相结合的故障诊断方法。首先研究互无量纲理论对故障振动信号的敏感特征提取,避免特征冗余或不敏感性;接着研究利用类Gram矩阵将互无量纲指标仿真为故障图片;最后采用两种不同的数据集通过深度学习识别验证,实现了平均预测准确率分别为87.75%与96.02%。该方法设计新的参数得到互无量纲指标,缩短传统无量纲对目标的构造距离,减少故障之间重复索引,提高对旋转机械故障敏感性。降低训练时间,保证识别故障精度。（3）提出基于经验模态分解与互无量纲相结合的故障诊断方法。首先研究将经验模态分解处理故障振动信号的非线性和非平稳状态;接着研究对模态函数提取互无量纲指标;最后采用迁移学习对不同数据集映射的故障图片识别分类,实现了平均准确率分别为96.22%与95.67%。该方法对传统无量纲与改进互无量纲可视化对比,研究两种无量纲因子重叠关系,结果表明改进互无量纲指标特征空间重叠现象较小。故障类型更多的情况,比前期研究方法更稳定。与传统无量纲故障诊断方法对比,验证该算法的优越性。