滚动轴承和齿轮作为旋转机械中的关键部件广泛应用于工业生产中。由于滚动轴承及齿轮所处工况复杂,导致训练时缺少某种规格部件的带标签数据;且不同规格下部件的振动信号间具有较大差异,使用某种部件的单一规格建立的故障诊断模型不适合直接应用到不同规格部件的故障诊断中。因此,准确识别出不同规格轴承和齿轮的健康状态具有重大意义。论文以深度学习和迁移学习作为核心技术,引入新兴的对比学习框架,提出一种基于半监督模型对比迁移的滚动轴承和齿轮故障诊断方法,实现不同规格下轴承及齿轮的故障状态识别。针对目标域带标签样本缺乏,不足以训练出高效诊断模型的问题,提出利用改进的深度模型迁移学习方法,将源域有用知识迁移至目标域,缓解数据量的不足。该方法采用短时傅里叶变换获取不同规格部件振动信号的时频谱并构建图像数据集,选择某种规格部件的已知标签数据作为源域,其它规格部件少量已知标签数据作为目标域。使用源域数据训练VGG-16网络,引入SAdam优化器加快收敛速度,得到源域预训练模型。将预训练模型的参数迁移至另一种规格部件的深度网络,作为目标域网络的初始化参数,加速网络的学习与优化。由于不同规格部件振动信号间存在较大差别,若将传统模型迁移策略直接应用于不同规格间的诊断,容易导致模型泛化力差;且在实际中,目标域含有极少量标签时,直接应用迁移模型诊断率会下降。针对上述问题,所提方法在目标域训练中,引入视觉表示对比学习的简单框架,并更改其投影头激活函数为Swish。通过对比正负样本学习特征表示,自适应更新目标域网络,提高迁移后模型的泛化能力。最后利用少量目标域有标签数据解冻微调,建立最优的半监督参数知识传递故障诊断模型。经实验验证,该方法可实现不同规格滚动轴承和齿轮间的迁移诊断,并具有较好的稳定性及较高的准确率。