风机在运行过程中发生故障可能引发重大财产损失和人身安全问题。早期,研究人员通过信号处理方法提取风机故障特征,进行故障识别与分类,该方法需要考虑故障与特征提取方法的对应关系,且不同场景下提取到的故障特征不稳定,难以实现在线诊断。深度神经网络可以有效提取风机故障的深层特征,且工程上可以利用迁移学习方法实现高效、稳定的风机运行状态识别和故障诊断。目前,研究人员通常采用旋转机械振动信号的时频图谱作为深度神经网络输入数据,但时频图谱的获取和存储需要更多的计算资源。为降低故障诊断处理器的使用内存、提高计算效率,本文提出利用风机振动时序信号进行故障识别与诊断的方法,为优化故障诊断系统线下部署提供理论基础。本文从保留特征的时间物理意义出发,利用时频信号处理方法对风机的振动信号进行降噪和信号特征频段提取预处理。针对不同场景应用需求,利用两类深度学习方法,分别对预处理后的风机振动时序信号数据进行深度特征提取和故障分类。本文主要结论如下:（1）基于风机故障机理,推导风机故障的振动信号一般形式,结合风机运行过程中的信号的调制作用,构建了风机振动信号模型,为后续振动信号降噪和特征提取方法的研究奠定基础。设计并进行风机模拟故障实验,对获得的风机振动信号进行单域分析,发现仅从时域或频域难以分辨强背景噪声条件下的风机故障类型。（2）对风机振动信号降噪和特征提取预处理方法进行了研究。首先搭建信号降噪性能指标体系:通过信噪比、相关性和信噪比增益进行仿真信号降噪性能评价,通过类可分离度进行实测振动信号降噪性能评价。研究了分解层数对第二代小波分解降噪效果的影响。对基于经验模态分解的清除重复间隔阈值降噪方法（EMD-CIIT）的影响因素进行了研究,EMD-CIIT方法的降噪性能主要受到选用阈值函数和第一个模态分量的修改模式影响。使用硬阈值函数降噪后信号对真实信号逼近程度最高。第一个模态分量的修改模式会影响降噪信号的平滑性。对比研究了多种小波降噪方法和基于经验模态分解（EMD）的其他降噪方法,EMD-CIIT方法降噪处理后得到的信号与真实信号逼近程度最高,且在低信噪比条件下降噪性能突出,由于风机振动信号通常含有大量噪声,因此采用EMD-CIIT降噪方法进行风机振动信号降噪。（3）对比研究了经验模态分解算法及其优化算法的特征模态提取效果,通过经验模态分解算法和集合经验模态分解（EEMD）计算得到的固有模态分量均存在“模态混叠”现象,选择其中的特定模态分量进行故障分类效果不佳,使用自适应噪声集合经验模态分解算法（CEEMDAN）能够有效提取出包含均匀尺度特征频段的时域波形数据,且不存在“模态混叠”现象。（4）采用长短时记忆模型和残差神经网络两种深度学习方法分别对风机振动信号进行深层特征提取,实现风机故障分类。结合EMD-CIIT降噪处理和长短时记忆模型故障识别的分类方案能在单通道数据输入条件下实现较高精度的实时风机故障诊断。结合降噪与CEEMDAN特征模态提取预处理和残差神经网络故障识别的风机故障分类,能进行多通道数据输入条件下的离线风机故障分类,样本分类准确率达到100%。本文结合信号降噪、特征提取和深度神经网络对风机运行状态识别和故障诊断进行了研究,构建了直接处理时序振动信号的风机故障诊断框架,以便在低内存条件下部署故障诊断系统,实现高背景噪声条件下的高精度故障诊断。本文所提方法能推广到其他工业设备的故障诊断,为各种工业设备的运行状态识别和故障诊断提供了技术支撑。