滚动轴承作为旋转机械的关键零部件在机械设备中广泛应用,滚动轴承的健康状态监测也至关重要。针对基于深度学习方法的故障诊断的局限性,即训练和测试数据必须来自相似的概率分布。本文通过引入迁移学习方法,实现深度学习模型利用源域的轴承健康状态数据进行训练,然后将模型迁移应用于相对独立的目标域轴承数据的故障诊断中。具体内容如下:(1)结合轴承故障实验,从故障机理的角度出发,分析轴承结构特性和失效形式,并通过频谱和聚类分析验证轴承故障实验数据的有效性。同时,使用集中参数方法建立深沟球轴承的振动模型,分析了滚动轴承接触力学特性,讨论了径向负载和转速对轴承振动响应的影响。(2)利用深度卷积网络进行特征提取,综合了模型的分类误差、联合概率分布距离(JMMD)和域分类误差(DA),对网络进行学习优化,提出了基于深度领域自适应网络的模型迁移方法,有效地实现了类别空间相同的数据集模型迁移故障诊断。同时,提出基于生成对抗网络的部分迁移诊断模型方法,一定程度地改善轴承故障诊断中可能存在的类别空间不平衡数据集间的故障诊断。通过试验验证说明了所提出方法的有效性和先进性。(3)利用互联网技术,实现了轴承实验平台远程控制与振动数据采集,采用B/S架构开发了数据采集和故障诊断软件平台,用户通过Web浏览器实现现场控制和监测,有助于实现工厂的自动化和无人化。