旋转机械设备在工业生产中具有举足轻重的地位,在持续运行时一旦突发故障,极有可能造成重大经济损失乃至人员伤亡。轴承作为旋转机械的关键且易损零部件,其健康状态直接关乎设备能否安全可靠地运行。因而针对轴承的故障诊断研究具有重要意义。传统故障诊断方法通常假设轴承振动信号数据服从相同分布,然而由于机械设备时常工作在变速变温变负载等复杂环境中,这种同分布假设往往难以满足,但不同工况下采集的轴承数据又呈现出高度相关性。迁移学习作为机器学习中新的学习范式,通过学习源域中的可传递知识,并将这些知识迁移运用于目标域任务的分类识别。基于迁移学习框架的故障诊断方法旨在挖掘多工况间的领域共享信息,利用已标记的源域数据预测未标记的目标域样本,实现高效的知识迁移。在国家自然科学基金等项目资助下,针对变工况下的轴承故障诊断问题,本文在迁移学习框架下深入研究了轴承故障诊断方法。融合流形特征学习和动态分布对齐的诊断方法实现了轴承故障特征提取和领域定量分布适配。此外,流形特征学习仍被用于数据预处理,通过构造无参的域内分类器,进一步提出了简洁高效的实用型故障诊断方法。首先,针对变工况下轴承振动信号数据分布不一致,以及在原始欧式空间执行分布自适应时的特征扭曲问题,提出一种基于自适应流形嵌入动态分布对齐的轴承故障诊断模型。通过在格拉斯曼流形中构造测地线流式核,提取与轴承故障信息相关的固有流形特征,消除原始空间中退化的特征变换。接着引入相似性度量A-distance定义一个领域自适应因子,动态调整流形特征边缘分布和条件分布的相对权重。最后,基于结构风险最小化迭代求解一个跨域分类器,预测未标记的目标域样本标签。将该模型分别用在自制实验台轴承数据集和凯斯西储大学轴承数据集上进行验证。诊断结果表明,该模型可有效识别不同负载下包含多种故障类型、故障尺寸及复合故障在内的轴承样本,显著优于多种机器学习方法。此外,特征分布聚类结果表明流形特征学习和动态分布对齐可有效减小领域间的数据分布差异。该方法也具有良好的算法收敛性和模型超参数鲁棒性。其次,现有的故障诊断方法通常需要执行复杂且耗时的迭代优化步骤,以获得最优的分类模型。针对实际的机械诊断场景,仍有必要设计分类精度良好,且简单易执行的故障诊断方法。因此,本文提出了一种基于自适应流形概率分布的轴承故障诊断模型。该模型仍采用测地线流式核法确保变工况下有效的流形特征学习,减少领域间数据分布差异。接着定义一个针对目标域样本的概率分布矩阵,并计算所有目标域样本与源域类别中心的余弦距离,以概率分布矩阵与余弦距离间的乘积和作为目标函数,可得到一个待优化的线性规划类问题。优化目标函数并求解概率分布矩阵,进而预测轴承故障类别,实现无参的域内分类器学习。该故障诊断方法无需过度依赖模型选择、超参数调优及算法迭代等优化程序,并且对于两种轴承数据集仍具有良好的故障诊断效果。此外,域内分类器还可作为现有迁移学习模型的基分类器,进一步提升其故障诊断性能。最后,总结本文研究工作并指明后续拓展方向。本论文基于流形特征领域分布自适应对轴承故障诊断进行研究,实现了变工况下有效的流形特征学习和数据自适应分布对齐,并且进一步针对实际诊断场景设计了简洁高效的轴承故障诊断模型,具有一定的研究意义和应用价值。