故障诊断技术作为保障设备可靠性、安全性和可维护性的关键技术,受到了国内外的广泛关注。基于数据驱动的故障诊断方法通过对表征设备状态的大数据信息进行挖掘和分析,实现设备的实时、智能化的故障诊断成为当前研究的热点。国内外许多学者提出了诸多基于数据驱动的故障诊断方法,但仍存在如下问题:（1）当设备发生故障时,传感器采集到的用于表征旋转机械设备运行状态的振动信号具有非线性、非平稳、非周期特性,难以准确提取到反映设备健康状态的关键特征。（2）基于深度学习的故障诊断方法虽然可实现端对端的自动提取故障特征,但其对训练样本的数量要求较高;另外训练模型由于包含大量待训练的权重参数和偏置,导致诊断效果受样本数量的影响较大,训练时间较长。（3）现有的故障诊断方法通常假设故障样本为同分布,而实际工程中机械设备多处于正常运行状态,其故障样本稀少;加之设备型号、运行工况、故障程度存在较大差异,因此,故障样本难以服从同分布。综上,开展旋转机械的跨域故障诊断方法研究具有重要理论意义与工程价值。针对以上问题,以轴承、齿轮和电主轴三类零件和部件为应用对象,以数据驱动的故障诊断方法为基础,开展了系统深入研究。主要研究内容如下:（1）将结合的集成经验模态分解（EEMD）和多尺度排列熵（MPE）作为特征提取器,以结合的遗传算法（GA）和反向传播神经网络（BP）作为模式识别器,提出双重优化的故障诊断方法。通过合理选取方法的参数和模型结构,从非线性、非平稳、非周期特性的故障信号中提取故障特征,提高了故障识别的准确率。首先,结合EEMD和MPE方法,从多个不同尺度上提取表征设备健康状态的关键特征节点,搭建特征向量集。采用BP方法对故障特征进行分类识别,采用遗传算法选择和优化反向传播算法的初始参数。最后,通过案例应用验证所提双重优化的故障诊断方法的适用性。（2）针对基于深度学习的故障诊断方法内部参数多、训练时间长及变工况下诊断精度下降的问题,综合考虑深度学习模型所需训练参数数量对计算时间的影响以及源域和目标域的工况差异对模型稳定性的干扰,提出具有域适配能力的少参数卷积神经网络（CNN）的故障诊断方法。基于轻量化策略优化卷积神经网络的布局,采用自适应批量归一化方法（Ada BN）优化批归一化层（BN）,实现高精度、低成本的跨域故障诊断。最后利用轴承故障数据、齿轮故障数据和电主轴故障数据验证所提方法的鲁棒性和自适应性。（3）开展了基于非同分布故障样本的单源域跨域故障诊断方法研究。针对由于不同负载工况导致故障数据的同分布假设难以成立的问题,提出基于多层自适应卷积神经网络的跨域故障诊断方法。通过学习源域故障样本中蕴含的共性判别知识,提升所提方法对源自不同负载工况目标域的泛化性能,提高单源域跨域故障诊断方法的域自适应能力。结合优化的卷积神经网络构架、自适应批量归一化（Ada BN）和多核最大均值差异（MKMMD）方法,通过调整所提方法在特征提取阶段中所有批归一化层的统计信息、全连接层中来自源域和目标域的高维特征向量的距离,实现方法的深度域自适应。最后,利用两类轴承故障数据验证所提的方法适用性。（4）针对从同一机械设备上难以获得大量的单一工况、有标记故障数据的问题,提出了基于最大分类器差异（MCD）的多源域跨域故障诊断方法。借助对抗学习的方式,从同一设备的多工况来源或同工作原理但不同设备来源的故障数据中提取具有模式判别能力且不受域变化干扰的诊断特征,继而将其应用于目标域的故障诊断。考虑不同来源数据的分布域具有明显的不同,以源域和目标域样本在两个分类器中的概率输出之差的绝对值最小化为目标,采用特征提取器和具有双分类器的卷积神经网络进行对抗训练,实现特征提取器能够从多源域和目标域中提取域不变特征、分类器能够准确对目标任务进行模式识别。由于本方法依赖于分类器对源域样本的精准分类,为减少分类边界附近的模糊特征的产生、逼迫分类器的决策边界远离数据密集区域,提出基于条件熵和KL散度优化的交叉熵损失函数,提高了对源域数据的故障诊断精度。最后,利用轴承和齿轮的故障数据验证所提方法的适用性。