旋转机械设备是现代制造业中最常用的设备之一,其中滚动轴承作为关键零部件,滚动轴承的损坏直接会导致整台机器的运行故障,可能造成经济损失甚至人员伤亡。因此,对滚动轴承故障进行有效检测提出了更高的要求,滚动轴承故障诊断也是机械设备故障诊断中比较热门的研究方向。目前,基于传统特征提取的故障诊断方法,往往需要依靠专家经验,同时其特征提取和故障分类是单独的系统,无法满足实际滚动轴承故障诊断的要求。另一方面,由于滚动轴承实际工作环境往往是变工况,实际采集到的轴承数据间存在比较大的差异,利用现有的模型对数据分布差异很大的信号进行故障诊断,很难取得很理想的预测结果。因此,针对上述方法存在的不足,本文结合深度卷积神经网络和迁移学习等人工智能算法,为变工况下滚动轴承的故障诊断建立模型,成功将训练好的模型迁移到实际运行设备上进行滚动轴承故障诊断,大大减少了模型的训练时间,同时保证了诊断的准确率。本文的主要研究工作分为两部分内容:第一部分,针对传统特征提取的轴承故障诊断方法,需要丰富的专家经验、系统复杂等问题,提出了基于时频图像和深度卷积神经网络的滚动轴承故障诊断方法,有效避免人为干预模型进行特征学习,让模型自动学习振动数据中的特征信息。由于实验轴承数据数量有限,使用数据增强方式增加数据样本个数。本文采用连续小波时频变换方法,用于生成时频图图像数数据集,并把数据集划分为训练集和测试集。将训练集输入到模型中训练并不断更新网络中的权重和偏置值,获得最佳的轴承故障诊断分类模型。最终,将测试集输入到最佳的分类模型中,测试轴承故障分类模型的识别性能,利用T-SNE（t-distributed stochastic neighbor embedding）降维算法进行可视化模型测试结果。本次实验所用的数据集为凯斯西储大学轴承数据集,实验结果表明本文提出的方法具有良好的识别精度,能够对滚动轴承典型故障进行有效检测。第二部分,针对实际轴承运行在变负载工况下,采集到的数据分布差异很大,基于深度学习的诊断模型无法对分布不同的信号进行有效识别。本文提出了基于多核最大均值差异（Multi-kernel MMD,MK-MMD）领域自适应的迁移学习方法,MK-MMD领域自适应方法将源域数据和目标域数据映射到同一特征空间内,缩小两领域内的数据分布差异。本次实验利用凯斯西储学轴承数大据集作为源域数据,企业实际车床旋转轴轴承数据作为目标域数据,选择第一部分训练好的模型作为基础模型,冻结其通用特征学习层,重新训练其深度特征学习层。使用MK-MMD领域自适应算法逐层计算其深度特征学习层上源域和目标域数据之间的差异距离值,将所得的差异值作为模型损失函数的一部分,参与神经网络的权值参数更新。实验结果表明,基于MK-MMD领域自适应的滚动轴承故障方诊断性能表现良好,具有一定的可行性。综上所述,本文的研究针对传统轴承故障诊断方法存在的短板、基于深度学习模型的故障诊断方法难以实现变工况下轴承故障诊断的问题,提出并设计了两个故障诊断模型。分别通过真实轴承故障数据进行实验分析,验证了本文所提出的方法对滚动轴承典型故障能够准确识别,可以实现变工况下轴承故障诊断。