为了满足现代工业生产力发展的要求,旋转机械系统愈发大型化和复杂化。作为旋转机械的核心部件,滚动轴承长期高转速、强负载工作,故容易故障并造成经济损失,甚至人员伤亡。故障诊断技术有助于避免这类事故的发生,因此,机械系统关键部件故障诊断研究具有重要的社会意义和经济价值。以深度学习为代表的现代故障诊断方法近年来得到国内外学者的广泛关注,但是深度学习模型的建立需要足量的有标签数据,并且假定训练数据和测试数据遵循相同的分布,现实情况中往往难以具备此条件。在深度学习方法基础上,近年来发展的基于深度迁移学习的故障诊断方法通过从源域到目标域的知识迁移在一定程度上克服了这个问题。然而,现有大部分迁移学习故障诊断方法主要集中在单源域迁移学习上,忽视了对目标域知识迁移有帮助的多个源域的数据,从而无法对数据资源进行充分的利用。在国家自然科学基金面上项目等项目资助下,针对传统的基于深度迁移学习的故障诊断方法无法充分利用来自多个源域的数据资源解决变工况故障诊断任务的问题,本文在传统的基于深度迁移学习的故障诊断技术的基础之上,沿用了深度学习强大的故障特征提取能力,并借助多源域迁移学习实现不同工况数据特征分布的对齐,从而实现多个源域向目标域的知识迁移,实现了效果理想的变工况轴承故障诊断,研究内容主要包括以下两个方面:第一,为了能够实现多源域故障数据信息的充分利用,提出了类内多源域自适应网络。它利用特征学习器将来自多个源域和目标域的数据映射到同一个特征空间中;接着,基于矩量匹配的多源域距离度量准则来评估多个源域和目标域特征之间的分布差异,并嵌入损失函数中利用模型的训练过程使得该差异不断缩小。此外,在模型的训练过程中,引入了一个类内对齐训练策略以实现多个源域及目标域数据边缘分布和条件分布的同时对齐;最后,利用一个联合加权分类器对待测样本进行综合评估,给出最终的故障模式识别结果。第二,为了实现多种工况要素同时变化的复杂情形变工况故障诊断,提出了基于最优传输的多源域师生学习网络。该网络把最优传输的基本理论应用于多源域迁移学习方法之中,并实现了较为理想的变工况故障诊断效果。该方法首先利用特征学习器进行特征映射,并利用多个源域分类器和一个域判别器构建了多源故障诊断教师模型;接着,利用最优传输的相关方法,使得目标域的学生分类器从多源故障诊断教师模型那里学习知识,并随着迭代继续优化,从而得到一个效果良好的目标域分类器以进行故障诊断;此外,本工作还在模型的损失函数中引入了一个聚类优化项,以帮助模型得到更好的分类性能。