滚动轴承是旋转机械中最重要的部件之一。滚动轴承发生故障会影响机械设备的正常运转,严重时会引起设备的失效,造成巨大的时间损失、财产损失甚至人员伤亡。为了提高机械设备的安全性和可靠性,研究滚动轴承的故障诊断技术十分必要。近年来,随着人工智能技术的蓬勃发展,滚动轴承的智能诊断技术受到广泛关注。许多智能诊断方法在实验室验证时,在利用特定设备的大量历史数据的前提下获得了很好的诊断效果。然而,在实际工程中,很难事先获取待诊断设备的充足的故障历史数据,在少量可获取的数据上构建诊断模型会造成诊断模型泛化能力的下降。本文针对滚动轴承故障诊断中的小样本问题,结合卷积神经网络,提出基于动力学仿真和迁移学习的智能诊断方法,该方法以从滚动轴承动力学模型获取的仿真数据中迁移诊断知识的方式,帮助实际诊断场景中的轴承诊断任务,为解决小样本条件下的故障诊断问题提供了新的思路。首先,基于动力学建立滚动轴承故障仿真模型,获取不同健康状态下滚动轴承的振动仿真数据。滚动轴承的动力学模型能够从理论上揭示滚动轴承的振动特性,由动力学模型获取的仿真数据与实际数据应具有相似但不同的特征分布,通过滚动轴承动力学模型生成仿真信号是一种获取各种型号轴承在各种工况下的振动数据的有效方式。其次,分析仿真数据与实际数据的共性与差异性,在此基础上,提出小样本条件下,基于卷积神经网络,将仿真数据中的诊断知识迁移到实际数据中的滚动轴承智能诊断方法框架。该方法的基本思想是用大量仿真时域信号预训练卷积神经网络,随后将网络参数迁移到实际诊断网络中并用可获取的少量实际数据微调。最后,将本文所提出的方法应用在两个实际诊断问题中,并设计多个对比实验,验证方法的优越性。另外,基于这两个诊断实例,对诊断方法的诊断机理进行详细分析,说明本文方法可以学习到更多有效的故障特征并缩小特征分布差异,使得小样本条件下的实际问题诊断性能有了显著提高。