【摘要】通过对称点模式将振动信号转换为极坐标下的图像，该振动图像相比时域波形可更加直观地显示振动信号的振幅和频率变化， 便于观察区分不同的工作条件和故障。卷积神经网络（Convolutional Neural Network,CNN）具有较强的表达能力，在图像处理、复杂问题分类等方面具有优势。因此，本文将振动图像与 CNN 结合应用于机械设备故障诊断。以轴承故障实验数据和钍基熔盐固态仿真堆（Thorium Molten Salt Reactor-Solid Fuel,TMSR-SF0）熔盐泵运行数据为基础，首先，通过对称极坐标图像法（Symmetrical Polar Coordinates Image，SPCI）将振动信号转换为图像形式；随后，采用二维 CNN(two-dimensional CNN, 2DCNN) 实现振动图像故障分类，并与以一维CNN(one-dimensional CNN, 1DCNN) 等方法进行了对比分析，同时，对所提出的方法进行了抗噪测试。分析测试结果表明，以振动图像作为输入的二维 CNN 的诊断准确率可达到 90% 以上，方法具有较高的可行性和准确率。