旋转机械如风机、汽轮机等是工业重要的生产设备,它们的稳定运行对于避免安全隐患、提高企业的经济效益具有重大意义,根据设备运行时的振动信号进行故障检测与分析是设备维护管理的重要手段。目前,机械振动信号的故障检测大都基于直观的监测数据。本文在深度学习技术更加成熟、振动信号数据不断积累的背景下,展开基于LSTM自编码器的振动信号故障检测研究。作为基于数据驱动的方法,特征提取是振动信号故障检测的重要一环。主流的信号特征提取方法都具有一定局限性,本文提出了一种基于深度自编码器与LSTM(Long Short-Term Memory)单元结合的改进版模型,它可以端到端地提取特征,并对提取特征使用梯度提升决策树算法(Gradient Boosting Decision Tree)进行分类检测,建立了基于LSTM自编码器的时序信号故障检测框架。通过在西储大学轴承数据集上进行实验,使用所提出的框架实现了不同工况下故障的检测。对于LSTM自编码器训练收敛速度缓慢、特征提取效果不佳的情况,在训练误差函数中加入了基于KL散度的分布差异项,用于优化输入与输出之间的误差。并给自编码器模型加入了跨层连接(Skip Connection)的结构,通过实验对比证明所提出的改进误差函数与改进模型有更好的效果。对于常见的数据集标签样本不充足的问题,提出了基于迁移学习的方法,用于将源域充分样本数据集学习的知识迁移到小样本数据集上。其中提出了基于动态时间规整(Dynamic Time Warping)距离的样本判别方法用于构建源域样本集;并将训练在源域样本集上的LSTM自编码器模型参数迁移至目标域的模型上,实现参数迁移,并使用两种数据集作为源域与目标域数据进行实验仿真对比,本文方法取得了较好的检测精度。实验证明提出的方法在小样本数据集故障检测中有效可行。