作为旋转机械中应用最为广泛的一种零部件,滚动轴承的健康状态直接决定着整个机械设备能否安全可靠地运行。深入开展滚动轴承状态监测与故障诊断技术的研究,能够有效确保人员和设备的安全并减少经济损失,具有重要的学术和工程应用价值。此外,随着机械故障诊断步入“大数据”时代,如何有效挖掘海量监测数据中隐藏的故障信息,智能识别设备的健康状态,成为了研究的热点与难点。深度卷积神经网络具有对数据深层特征的提取能力,可以自动学习数据的内在特点进而获得良好的特征表达,实现端到端的诊断模式。作为一种机器学习新方法,迁移学习可以充分利用辅助领域中丰富的标注数据,对具有不同分布的目标领域未标注数据进行知识的复用与迁移。本文针对滚动轴承的故障诊断问题,将深度学习中的卷积神经网络(CNN)和迁移学习中的领域自适应相结合,基于深度残差网络,提出了两种滚动轴承故障的深度迁移诊断方法。论文主要工作如下:针对工程实际中真实轴承损伤数据稀缺、健康标记信息匮乏,导致训练的智能故障诊断模型精度低的问题,利用实验室环境中人工轴承损伤数据充足、健康标记信息丰富,且两种数据间存在相关的故障信息,提出了一种基于特征映射与深度联合适配的轴承故障深度迁移诊断方法DCJAN,将实验室环境中的轴承故障诊断知识迁移应用到工程实际中。首先利用深度卷积神经网络进行特征提取,然后通过JMMD来对齐源域和目标域的多个域特定层的激活的联合分布,同时在卷积层后添加了一个域判别器。域判别器和特征提取器的训练目标相反,两者形成一种对抗关系。当网络训练完成后,就可以利用得到的域不变特征进行故障分类。通过不同轴承损伤模式间的迁移诊断实验对提出的方法进行了验证,在四种不同工况下的平均准确率和平均Macro-F1得分分别达到85.55%和85.70%。结果表明,DCJAN能够利用实验室中轴承的故障诊断知识,对工程实际中轴承的健康状态进行识别。针对工程实际中很难从某些机器获得大量带标记的轴承故障数据去训练诊断模型,以及由于数据分布差异,利用从一台机器获取的标记数据训练的智能故障诊断模型可能无法对从其他机器获取的未标记数据进行分类的问题,提出了一种基于域分离与对抗学习的轴承故障深度迁移诊断方法DSRAN。首先利用域差异特征提取器和域不变特征提取器分别提取源域和目标域的域差异特征和域不变特征。为了保证特征的完整性,将两种特征组合后进行重构,然后利用生成对抗网络的思想进行训练。当分类器能够正确分类源域数据时,就可以利用共享的域不变特征进行跨领域的应用。通过六组迁移诊断实验验证了所提出方法的有效性,六组实验的平均准确率达到89.68%。结果表明,DSRAN能够利用从一台机器获取的大量标记数据进行训练,然后推广到从其他不同但相关机器获取的未标记数据。此外,为了将提出的迁移诊断模型应用到实际场景中,开发了一套软件系统,将训练好的模型部署成一个Web应用程序,同时集成各种辅助功能,为用户提供端对端的轴承故障迁移诊断解决方案。