故障诊断技术对于保障工业过程的安全高效运行以及产品品质和成本控制具有重要作用。受生产条件、原材料和生产环境等因素的影响,工业过程的工作状况极易发生改变,产生多工况特性。不同工况间的数据分布普遍存在差异,而建模工况数据与待测工况数据的分布不一致,导致传统故障诊断方法性能恶化。因此,如何设计适当的建模方法,以减小工况改变对模型性能的影响,是多工况故障诊断任务的研究重点。针对工业过程多工况条件下的故障诊断问题,本文将历史建模工况作为已知领域,当前待测工况作为目标领域,研究基于特征的迁移学习在多工况故障诊断任务中的应用,降低数据分布差异对故障诊断模型的影响。并根据待测工况中是否存在带标签数据,分别研究无监督和半监督的域适应故障诊断建模方法。主要研究内容和创新点如下:1、针对实际工业多工况条件下,因不同工况数据分布不一致导致的故障诊断方法性能恶化问题,和由于对数据中代表不同类别间差异的区分性信息利用不足,导致模型区分故障类别的辨识能力下降的问题,研究一种基于区分性联合概率分布差异域适应的故障诊断建模方法。首先以结构风险最小化的域不变分类器作为建模框架;然后在框架中集成基于区分性联合概率分布差异的域适应项,在减小跨域同类别样本分布差异的同时,增大跨域不同类别样本间分布差异,提高模型对于样本类别的辨识能力;同时施加流形正则化,降低域适应过程对数据局部几何结构的破坏。2、针对噪声等因素导致样本不易被区分,数据对类别信息的解释能力下降,致使故障诊断模型难以有效辨识不易区分样本故障类别的问题,研究一种基于对抗的区分性联合概率域适应故障诊断建模方法。首先,训练两个在待测工况上预测差异最大的分类器,挖掘其中不易被区分的样本;然后通过区分性域适应方法,优化公共投影矩阵,使重新投影到公共特征空间中的待测工况在两个分类器上的分类差异最小。在迭代对抗的过程中,通过不断优化投影矩阵以最小化待测工况在两个差异最大的分类器上的预测差异,最终训练一个最优的公共投影矩阵,实现一种无监督的故障诊断建模方法。3、针对实际工业中目标待测工况数据内有效信息利用不足的问题,研究一种基于半监督的区分性联合概率域适应故障诊断建模方法。首先利用标签传播算法,将待测工况中少量数据的类别标签传播到大量的无标签数据中;然后依据风险函数,选择风险较低的无标签样本加入到带标签数据集,并根据新的带标签数据集构建新的结构保持矩阵;通过在半监督区分性联合概率域适应中集成结构保持正则项,从而提高半监督域适应故障诊断模型精度。