机电设备关键部件的健康稳定运行是智能制造过程高质高效生产的保障。开展智能故障诊断方法研究是提高机电设备安全性的重要技术支撑。随着计算机技术的不断革新和数字传感器的广泛应用,设备健康监控系统积攒了海量数据资源。通过深度学习充分挖掘设备运行状态大数据中的潜在特征,可以克服数据丰富但机理模型和专家信息缺乏的不足。基于深度学习方法的有效性取决于样本的数量和质量,但是设备健康监控大数据中采集的早期微小故障样本量少,传感器多速率采样、随机丢包、传感器类型多样性和所采集信息存储形式不同导致样本质量低。针对设备健康监控中故障样本数量少质量低的问题,本文通过迁移学习的思想,解决微小故障特征抽取、结构不一致样本的深度特征提取,多源异构信息充分利用等难题,重点研究把迁移学习应用到故障诊断中产生的不同故障程度、不同结构样本、多源异构信息所建立的深度学习模型间迁移的关键问题,达到领域内信息的充分使用,领域间信息的高效助力。本文主要研究内容和创新如下:1.针对带标签的微小故障样本数量少的问题,提出了基于深层迁移网络的微小故障诊断方法,旨在利用大量有标签的显著故障样本优化早期微小故障小样本的深度学习模型。其主要工作是设计不同工况下显著故障诊断模型到微小故障诊断模型的迁移机制,达到将显著故障特征提取模型迁移到微小故障的深度学习模型,以解决微小故障样本量少、诊断精度低的问题。实现领域内不同工况不同故障程度所建立深度学习模型间迁移层面的创新。2.针对多速率采样下不同时刻样本结构不一致的问题,提出了多速率采样下基于迁移学习的故障诊断方法,旨在通过充分利用结构不一致的样本,建立从部分到全局,从全局到部分的双向迁移机制。其主要创新点是利用大量结构不完整样本和少量结构完整样本,建立从结构不完整样本的故障诊断模型到结构完整样本的故障诊断模型和从结构完整样本的故障诊断模型到结构不完整样本的故障诊断模型的双向迁移机制,在此基础上构建了多速率采样下的实时故障诊断系统,实现了结构不一致样本的在线故障诊断,提高多速率采样下深度学习故障诊断模型的精确性和实时性。实现领域内不同结构样本所建立深度学习模型间迁移层面的创新。3.针对多源异构信息和外领域数据利用不充分的问题,提出了一种基于多源异构信息迁移学习的融合故障诊断方法。该方法旨在通过利用多源异构信息和外领域信息,建立多源异构信息融合的迁移机制。其主要工作是利用在自然图像数据集上已训练好的VGG16网络,通过模型迁移来优化截屏图像的卷积神经网络模型,以解决截屏图像数量少导致的故障诊断模型不精确的问题。其次构建了一维序列信号的特征提取模型,最后设计一个深层融合网络更好地提取一维序列信号和二维截屏图像的融合特征。实现领域间特征迁移和多源异构数据充分利用层面的创新。4.针对多源异构信息和外领域数据充分利用时面临的故障诊断算法实时性差的问题,提出了一种基于两级迁移学习的多源异构信息融合故障诊断方法。该方法旨在充分利用多源异构信息和外领域数据,构建两级迁移机制将多源异构信息进行融合,避免卷积运算,达到实时故障诊断的目的。其主要工作是构建了截屏图像的特征提取网络模型,设计了从截屏图像的特征提取模型到一维序列信号深度学习模型的迁移机制,实现了从卷积神经网络到深层神经网络的迁移。经过两级迁移的故障诊断模型不仅融合了一维序列信号和截屏图像的特征,而且该模型避免了卷积运算,时间复杂度低。实现面向故障诊断的实时性改进迁移机制层面的创新。