对基于振动谱图像的旋转机械故障诊断的机器学习技术进行了比较分析。不同类型故障的特征提取，包括不平衡、不对中、轴裂纹、转子-定子摩擦和流体动力不稳定性，是通过处理机器运行期间获得的振动轨迹的光谱图像来执行的。使用模拟数据对分类器进行训练，并使用模拟数据和实验数据对分类器进行测试。后者是在流体动压轴承支承的转子-盘系统上进行的实验室测量得出的。为了生成模拟数据，使用有限元方法建立了数值模型。对深度学习、集成和传统分类方法进行了评价。基于这些方法对训练期间未使用的实验测试模式进行分类的性能，评估了这些方法推广图像分类的能力。研究结果表明，尽管计算量很大，但基于卷积神经网络的方法表现出最好的性能。