滚动轴承作为旋转机械中重要零部件之一,其健康状态影响着整个机械设备的安全运行。开展轴承故障诊断的相关研究对提升机械设备的运行可靠性、降低企业的维修成本都具有重要意义。现阶段大多数智能诊断方法无法实现直接从原始信号到辨识结果的“端对端”诊断,并且受限于训练数据和测试数据分布必须相似的假设,导致其在变工况故障诊断中存在自适应性不足,诊断精度下降等问题。而深度学习技术的发展,为这些问题的解决带来了新的思路。为此,本文以一维卷积神经网络(CNN)为基础,开展载荷、扭矩、转速等变化工况条件下的轴承迁移诊断方法研究。(1)针对一维CNN在变工况诊断场景下泛化能力低的问题,提出了一种基于网络微调的故障诊断方法。该方法先利用源工况下的故障样本对一维CNN进行有监督的预训练,然后冻结模型的卷积层参数,并使用目标工况下少量带标签样本调整模型最后的全连接层,从而实现从源工况到目标工况的迁移诊断。在公开的凯斯西储大学轴承实验台数据集上的验证结果表明:该方法在变工况下的平均诊断精度可以达到96%,与直接采用源工况和目标工况的带标签样本训练CNN的方法相比,本文方法的诊断精度有明显提升。(2)针对基于网络微调的方法仍需少量目标工况样本对CNN进行辅助训练的问题,提出了一种基于特征通道权重调整的网络模型SECNN。通过在一维CNN中增加额外的网络模块来获取特征的全局信息,学习其中的通道依赖关系,并据此调整卷积核通道权重,来提取对工况变化不敏感的特征信息。SECNN与多种同类方法相比有着更高的诊断精度,在凯斯西储大学轴承实验台数据集上的平均诊断精度可以达到97%。在帕德博恩大学轴承实验台数据集上,扭矩和载荷变化工况下的诊断精度可以达到99.5%和96.6%。但SECNN和其他几种同类方法在该数据集上的变转速诊断精度都有明显地下降。(3)针对SECNN在载荷和扭矩变化时能取得良好的诊断效果、但却难以适应特征分布差异较大的变转速工况的问题,提出了一种基于对抗网络的迁移诊断模型DCWGAN。该模型由特征提取模块、分类模块和判别模块三部分组成,在判别模块中采用Wasserstein距离来度量源工况与目标工况特征分布差异,在分类模块中增加源域特征的方差约束来提高各类特征聚集程度。通过特征提取模块与判别模块的对抗训练来减小Wasserstein距离和分类损失,实现源工况和目标工况特征的提取、适配与分类。与多种方法相比,DCWGAN在帕德博恩大学轴承实验台数据集上的变转速诊断精度提升明显,可以达到95.3%,而变扭矩和变载荷诊断精度也可以达到99.9%和98.7%,同时在凯斯西储大学轴承实验台数据集上也可以达到99.2%的诊断精度。