针对目前旋转机械故障诊断时，存在单一地利用振动数据、诊断结果模糊的问题，提出一种卷积神经网络( Convolutional Neural Network，CNN )与知识图谱结合的故障诊断方法。该方法以原始轴承数据和机理知识作为输入，然后进行实体抽取和数据标注，利用本文提出的端到端多尺度注意力机制神经网络模型进行故障诊断，最终构建知识图谱，实现故障信息的详细展示，进行辅助诊断。利用两份数据集进行实验验证，采用全新的数据处理方法，结果表明，所提出的算法在160 种故障类型中加权F1 值相比基准模型提高11.03 %，并且利用传统故障诊断实验和其他算法对比充分证明本文提出的模型具有较强的稳定性和泛化性能.

针对卷积神经网络（Convolutional Neural Network，CNN）在滚动轴承故障诊断应用中所存在超参数难以确定、网络输出不稳定等问题，提出一种基于差分进化算法（Differential Evolution，DE）优化卷积神经网络的故障诊断模型（CNN-DE）。首先，该故障诊断模型利用DE算法来自适应调节CNN中的超参数，同时将CNN的诊断精度和稳定性一起作为DE算法优化的目标，使得CNN在保证精度的同时降低网络的波动；其次，使用自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）结合多参数的诊断方法，从原始信号中提取出更加有效的故障特征；最后，根据提取出的特征采用CNN-DE、CNN和BP等算法进行故障诊断，结果表明所提出的算法模型拥有更高的精度和更稳定的性能，也具有优异的抗噪能力，显示了CNN-DE在故障诊断应用中的可靠性。