电机在工业化进程中有着举足轻重的地位,而电机轴承作为一个故障多发的零部件,损坏时很容易带来经济损失和人员伤亡等问题,传统的电机轴承故障诊断方法对从业人员的专业知识和经验要求较高,对复杂设备进行故障诊断的难度较大。近年来,基于深度学习的电机轴承故障诊断方法得到了学术界和工业界的广泛关注,但由于现实工况多变、电机轴承参数不同、故障样本较少等原因,基于深度学习的故障诊断模型面临着应用过程中识别准确率下降、难以满足工业要求的问题。本文针对电机轴承故障样本较少,以及可能没有标签的情况,研究基于深度迁移学习和样本生成的电机轴承故障诊断方法,用于改善变工况条件下深度学习网络进行跨域诊断识别率下降的问题。主要研究工作如下:针对目标域存在大量无标签样本的情形,本文构建了以特征提取器、自适应层、域分类器等模块为主的深度迁移学习网络,用于解决变工况环境下电机轴承振动数据特征的边缘分布概率不一致,因而导致智能故障诊断模型性能下降的问题。凭借以Dense Net为主干的特征提取器,以及基于对抗学习思想的域自适应方法,本文所构建的模型在CWRU数据集上取得了单域诊断精度99%以上,跨域诊断精度85%以上的良好效果。为了进一步提高故障诊断网络在只有少量目标域带标签样本情况下的性能,本文在常规预训练-微调方法的基础上结合了基于Cycle GAN的样本增强方法,通过分类训练故障样本的风格迁移模型,对目标域小样本进行扩充,进而提高故障诊断网络微调训练过程的稳定性和最终的预测精度。在CWRU公开数据集上对所构建的故障诊断模型进行测试,和基于域自适应方法的深度迁移网络进行对比,验证了该方法的有效性和优劣势。