滚动轴承作为旋转机械中的关键部件,其运行状态受众多因素的影响。为应变复杂的工作环境,滚动轴承工况不断变化,且工况变化直接导致振动信息的改变。因此,在变工况下有效地诊断出滚动轴承故障情况,对保证机械设备健康运行意义重大。本文提出两种变工况下滚动轴承故障诊断方法。(1)提出基于变分模态分解(VMD)及多特征构造和迁移学习相结合的变工况下滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行VMD,得到固有模态函数(IMF),对IMF构成的矩阵进行奇异值分解求奇异值和奇异值熵,并结合振动信号时域、频域特征构造多特征集。然后对半监督迁移成分分析算法(SSTCA)进行核函数改进,提出多核SSTCA算法,将不同特征样本共同映射到共享再生核Hilbert空间中。最后采用最大均值差异嵌入方法选择与目标域特征样本分布更相近的源域特征样本,将其输入支持向量机(SVM)训练模型,测试映射后的目标域特征样本。实验结果表明,所提出的多核SSTCA-SVM方法与其他方法比较,变工况下滚动轴承故障诊断准确率较高。为进一步表征滚动轴承振动特征信息,采用深度学习对振动信号进行自适应特征提取,并结合迁移学习域适应方法,提出另一种故障诊断方法。(2)提出稀疏去噪自动编码器(SDAE)与几何空间和统计分布联合调整算法(JGSA)相结合的变工况下滚动轴承故障诊断方法。该方法首先采用SDAE对振动信号频域幅值进行特征提取,然后利用JGSA方法减少域间特征样本的域偏移。最后通过K近邻算法完成变工况下滚动轴承多状态识别。实验结果表明,所提出的深度迁移学习方法与其他基于SDAE的方法比较,迁移后的样本特征可视化效果最佳,变工况下滚动轴承故障诊断效果较好。与方法(1)相比,本方法更适合实时性要求较高的场合,而方法(1)更适合于诊断准确率要求较高的场合。