故障诊断是一种保障机械装置安全运行,减少在生命周期内因故障带来的维修成本,提高机械装置稳定性和可靠性的技术。而滚动轴承是旋转机械装置的关键组成部分,被广泛应用于齿轮箱、破碎机、燃气轮机以及发电机等装置中,滚动轴承性能的好坏将直接影响到整个装置的运转状态,进而影响工业生产的安全性和经济水平。因此,对滚动轴承进行故障诊断技术的研究就具有重要的意义。然而,如何发现滚动轴承在运行过程中所产生的早期故障,精确提取微弱的故障特征,及时检测并对其故障进行诊断;如何在故障样本收集困难,数据不完备的情况下,对只带有少量标签的数据样本进行故障诊断成为当今研究的热点与难点。基于上述背景,以滚动轴承为研究对象,结合机器学习与迁移学习,针对早期故障特征微弱和标签故障样本少的问题,对滚动轴承进行故障诊断技术的研究,主要内容如下:1.研究了一种基于双维度EKNN的滚动轴承早期故障诊断方法。首先采集早期故障的声发射(AE)信号,实时提取最能表征轴承运行状态的特征信息,构造由AE信号的波性特征、时域和频域的统计特征组成的混合特征集。其次采用隶属度矩阵计算类内紧致性和类间重叠性参数,并将二者的比值作为SFS算法进行特征选择的目标函数,同时引入反馈停止策略和早弃策略。最后将一种新的密度计算方法用于传统KNN分类器,采用了密度和距离双维度计算的EKNN分类器,降低了对K值的敏感性,能更稳定地识别出最优特征组,实验结果表明提出的方法具有有效性,且能精确地对早期故障进行诊断。2.研究了一种基于深度迁移学习TD-DCSAE在滚动轴承故障数据标签样本极少情况下的故障诊断方法。首先,采用一种新的约束来增强稀疏自动编码器(CSAE)的稀疏性,再将堆叠多个CSAE而形成的深度约束稀疏自动编码器(DCSAE)作为生成对抗网络中的鉴别网络,利用生成对抗网络(GAN)的对抗机制、迭代优化,逐步提高鉴别网络的故障识别能力。然后利用参数迁移学习策略解决了只含有少量标签样本的故障诊断问题。最后,采用不同域的两个数据集验证所提方法的有效性。实验结果表明,该方法具有良好的故障诊断性能,在只有少量标签数据的情况下比现有的智能方法更有效。