旋转机械是一类应用广泛的机械装置,在工业生产过程中承担着举足轻重的作用。然而,旋转机械的运行工况极其复杂,长期运行极易出现故障。因此,需要对旋转机械系统中的关键部件进行及时的故障诊断和维护,以确保旋转机械设备的安全稳定运行。目前,随着人工智能的持续发展,基于数据驱动的智能技术已经广泛应用到旋转机械故障诊断领域。在传统的基于数据驱动的故障诊断中,要求训练和测试数据都符合独立同分布的假设,并需要足够多的标记样本来训练模型。然而,在实际工业应用过程中,机械设备的运行环境是不断变化的,导致采集到的数据分布存在较大差异且通常无法获得足够的标记故障样本,因此限制了传统的基于数据驱动的故障诊断方法的工程应用。迁移学习能够在两个不同但相关的领域之间挖掘领域不变特性,使得数据标签等有监督信息可以在领域之间迁移和复用,可以有效解决上述问题。因此,本文以旋转机械为研究对象,以迁移学习技术为理论基础,主要针对不同工况,分别开展单源域和多源域的迁移故障诊断。主要研究内容如下:1.针对不同工况下,单源跨域故障诊断特征提取的最佳感受野不同的问题,本文提出了一种基于多尺度深度子域适配网络（Multi-scale Deep Subdomain Adaptation Network,MSDSAN）的旋转机械故障诊断方法。首先,MSDSAN通过局部最大均值差异来减小源域和目标域同类故障两个子域之间的特征分布差异,提取域不变特征;其次,为了避免固定感受野特征提取带来的故障信息丢失问题,在特征提取中引入了选择性核卷积模块,采用多个感受野来保证得到每个工况下的最佳感受野;最后,将贡献率自适应地分配给所有感受野,进一步消除了由不适当感受野提取的干扰信息。因此,MSDSAN不仅能够捕获每个故障类别的细粒度信息,而且能够在不同工况下都提取到更有效的故障信息,具有更佳的单源跨域故障诊断性能。2.针对同时存在多个源域故障数据,如何获取更丰富的故障信息,提高智能故障诊断性能的问题,本文提出了一种基于多源无监督领域自适应（Multi-source Unsupervised Domain Adaptation,MUDA）的旋转机械故障诊断方法。首先,MUDA通过自适应的多维特征融合公共特征提取器,将低维特征与高维特征进行自适应的融合,从而使得提取到的特征包含更多的故障信息;其次,在多个专用特征提取器中,通过局部最大均值差异,减小特定源域和目标域间的分布差异,以学习域不变特征信息;最后,通过特定分类器的差异损失,减小不同源域之间的差异,有效识别目标域数据的决策边界。因此,MUDA能够在多个源域故障数据下提取更丰富的故障信息,具有更优的多源跨域故障诊断性能。最后,通过DDS试验台的多工况振动数据的迁移故障诊断实验,实验结果表明MSDSAN的平均故障诊断准确率为90.0%,MUDA的平均故障诊断准确率为93.3%,均远高于所对比的其他相关方法,进一步验证了所提方法的有效性。