滚动轴承在工业生产领域中应用广泛，并且实际生产中滚动轴承规格繁多，不同规格滚动轴承振动信号的故障频率之间存在很大差别，传统单一规格下的故障诊断方法直接应用于不同规格情况时错误率可能偏高。因此，以高准确率实现不同规格轴承故障诊断具有重大意义。本文提出两种方法用于解决不同规格滚动轴承故障诊断问题。
　　提出一种基于深度条件对抗网络的不同规格滚动轴承故障诊断方法。该方法首先将滚动轴承一维振动信号转换为二维图像，然后选择具有状态信息的某种规格滚动轴承作为源域，而目标域则是不具备状态信息的其他规格滚动轴承。将源域与目标域数据共同输入到使用随机线性组合改进的深度条件对抗网络中，利用深度卷积网络提取不同域数据的深层特征，并结合迁移学习进一步缩小不同规格轴承数据之间的分布差异，从而识别出不同规格滚动轴承的故障状态。实验结果表明:所提方法以较高的诊断准确率解决不同规格滚动轴承故障诊断问题。上述方法中源域与目标域类别数要求一致，且不同域使用同一网络容易遗漏特征信息。基于上述问题本文提出另一种故障诊断方法。
　　提出基于半监督异构模型迁移的不同规格滚动轴承故障诊断方法。该方法的输入样本数据同样是二维图像，并且源域与目标域数据分属于不同规格的滚动轴承。其中，源域所有数据状态信息已知，目标域少量数据状态信息已知。首先将源域数据输入到ResNet-34网络中训练，得到预训练模型。然后由改进的参数传递策略自适应决定迁移预训练模型的知识层级及内容，并将其引入到目标域ResNet-152网络数据训练的过程中，辅助目标域数据构建故障状态识别模型并获得故障诊断结果。实验结果表明:所提方法在源域与目标域规格及故障状态数量不相同时可获得更高的诊断准确率。与方法(1)相比，本方法适用范围更宽泛，且不要求源域与目标域数据类别数相同。