自20世纪80年代以来,随着人工智能技术的迅速发展,特别是知识工程、专家系统和人工神经网络在诊断领域中的进一步应用,迫使人们对智能故障诊断技术进行更加深入与系统的研究。这是因为,一方面智能故障诊断具有传统诊断方法不可比拟的优点;另一方面,复杂设备的故障诊断在很大程度上需要依赖大量有效的过程历史数据。因此国内外专家学者陆续开发了一大批基于历史数据的故障诊断系统,各种诊断方法和技术也在诊断系统中得到了应用。本文以“轮胎胎面复合挤出过程智能控制系统”项目的研究、设计、安装与调试工作为背景,将机器学习中的卷积神经网络引入到故障诊断工作当中,充分发挥卷积神经网络擅长在高维复杂数据结构中提取有效特征的优势,针对生产线数据特征搭建网络模型进行故障诊断分析,并通过对比实验验证了其在故障诊断上有比传统算法更高的准确率,主要研究工作如下:(1)依次概述了胎面挤出联动生产线的工艺流程,电气控制技术指标与温度指标,分析了生产线的故障类型、范围以及产生原因。(2)对故障诊断学科的产生、发展、分类、国内外研究现状和主要技术手段作了综述,介绍了胎面挤出联动生产线数据采集系统以及数据去噪方法。(3)概述了数据分类技术,介绍了卷积神经网络的基本结构和工作原理,研究了基于卷积神经网络的模型对轮胎胎面挤出联动生产线开展故障诊断的一般过程,通过数据采集系统采集数据形成历史数据集,利用多个卷积层的若干卷积核在数据样本之间进行卷积运算,实现特征提取,经池化层将卷积层输出的局部特征进行池化操作,再通过全连接层映射到类别维度,并通过Softmax归一化得到每个类别的概率,综合考虑了提取到的所有局部特征,实现故障诊断。并使用该模型在采集到的历史数据集上进行了实验,得到较好的效果。(4)依次介绍了传统机器学习算法BP神经网络,决策树、Logistic回归的实现原理,并在相同的历史数据集上进行了对比实验,将实验结果与本文提出的卷积神经网络模型进行了比较,进一步证明了该算法模型在胎面挤出联动生产线故障诊断方面具有一定的优势,最后总结分析了基于卷积神经网络的算法模型的优缺点,对下一步研究方向进行了展望。