旋转部件是机械设备的重要组成部件之一,其健康状态能够直接影响设备的整体性能,故障预测与健康管理是设备智能运维支撑体系的重要环节。机械设备运行跨度大,工况复杂多变,新增样本无法及时优化模型效果,因此,故障数据稀缺的问题造成了难以独立学习到有效的故障诊断模型。迁移学习作为新的数据学习范式,从相关领域中学习知识,用以辅助新的工况环境下问题求解,从而增强模型的泛化能力。本文围绕设备故障诊断问题中存在的故障数据稀缺的问题,系统研究了深度迁移学习方法在不同故障诊断场景中的使用条件和解决方法。针对不同限制条件和源领域知识背景下的故障诊断任务,分别研究在边缘设备中多工况有监督迁移学习、多工况无监督同构迁移问题。主要工作如下:针对边缘设备采集中工况复杂多变、数据样本稀少、新增标记样本无法及时优化诊断模型的问题,研究边缘设备中多工况有监督数据在线迁移学习,从振动信号重构、迁移学习以及新增样本优化模型出发,提出了一种基于Fine-tune的迁移诊断TFST-CNN-ISVM算法模型,实现了多组不同工况下在线新增样本的同构迁移学习。为了兼顾样本量和网络复杂度,采用时频空间变换方法和网络轻量化操作充分利用样本的特征信息,结合增量学习手段面向在线新增数据,解决了原始迁移学习算法无法在线学习的缺点。最后实验结果显示,该方法不但在新增样本上实现了逐步的效果提升,而且在时间复杂度和正确率上均有较大改进。针对多工况标记样本缺失的问题,研究多工况无监督迁移学习,结合域适配框架下迁移学习算法,充分考虑到浅层网络适用于迁移学习,但其特征表达能力不足的缺点,利用动态激活函数与对抗域适配框架,在学习不同工况下样本标签信息之后,迁移网络分类特征的能力。算法解决了上一个算法无法学习无标记样本的问题,通过选用网络分类正确率、查准率和查全率等指标,在多种数据集进行了网络的分类能力和泛化性能比较,验证了算法有效性。论文所提出的算法均在大量数据下进行多次验证,多次实验结果均证明了算法的稳健性。