传统的齿轮箱故障诊断多依据数据驱动模型,以训练数据与测试数据满足概率同分布假设为前提;而齿轮箱运行工况的复杂性使得监测数据呈现出多变性和异分布,从而导致诊断模型适应性大大降低。领域自适应学习本质上是一种利用源领域训练数据帮助目标领域构造模型的技术,能够消除不同领域数据分布不同的影响,实现对不同工况数据间的建模。因此以领域自适应学习理论为基础,对齿轮箱故障诊断进行研究具有理论意义和实用价值。本文以齿轮箱为对象,研究基于关联规则及边缘降噪编码器的特征挖掘及故障迁移诊断方法,主要工作为:(1)研究了基于关联规则齿轮箱不同工况下振动信号特征关联关系挖掘方法。通过等概率区间映射方式将特征数据映射到不同区间等级并进行符号化处理,利用添加限制条件的Apriori算法进行特征关联规则挖掘,画出工况与特征关联图谱,直观展示特征随工况和故障状态变化的分布规律,分析特征与工况及故障之间的关系。(2)针对不同工况数据存在不同分布规律,提出了基于辅助模型的领域自适应诊断方法。通过建立基于卷积神经网络的边缘降噪编码器特征学习模型,学习到的特征在不同工况间分布差异更小,而同时保留了故障类别差异。最终训练出适应性更强、准确性更高的分类器,解决因工况变化导致原有的诊断系统效果差甚至失效问题。(3)研究模型历史数据应用情况,分析模型的稳定性和适应性。按照一定比例在训练数据中加入目标工况正常数据和标签数据,观察模型对数据依赖性。并提出了迁移率评判标准,定量分析模型稳定性和适应性。