机械故障的智能诊断是工业环境中保证各项工程项目安全可靠运行的重要手段,开展先进故障诊断方法的研究必不可少。在工程项目的实际运作中,机械设备会受到许多因素的影响,其中旋转载荷的变化会对振动信号的波动产生直接的影响。所以,为了能够通过智能诊断方法精准的识别不同载荷设备的运行状态,本文利用加入领域适配项之后的CNN模型进行变负载轴承故障迁移诊断。首先,对轴承的振动信号数据进行重叠采样,产生不同故障类别样本;然后对样本数据进行傅里叶变换,提取信号数据的时频信息;最后将各状态振动信号的时频数据输入到CNN中,在一种负载数据下训练模型,用其他负载数据进行测试,实现对轴承振动数据的迁移故障诊断。实验结果表明:CNN深度迁移模型的故障诊断精度基本在第5、6次迭代趋于平稳,收敛速度很快,相对于基于信号分解的故障诊断方法可操作性更强,也保证了故障诊断的精度。在变负载轴承故障诊断中,CNN模型的故障诊断精度均值为81.49%。但上述轴承故障迁移诊断模型对多故障状态数据的特征获取能力仍有上升空间,故需对上述模型进行改进。其次,以往模型的训练一般都假设训练和测试数据具有相同的分布,而工程实际中滚动轴承振动信号数据常常是在不同负载下获得,数据之间存在分布差异,导致故障诊断模型精度不高。本文将基于领域适配的深度迁移故障诊断模型应用到变负载下滚动轴承故障迁移诊断中,致力于解决实际工程中的机械故障诊断问题。该方法首先将不同的两种负载振动信号数据进行拼接,利用拼接负载样本对CNN模型进行训练,对于目标域数据采用模型的预测标签作为其伪标签,用于模型训练过程中各个参数的更新,使深度迁移模型同时获得源域与目标域的故障特征。通过最小化源域和目标域数据的最大均值差异和条件分布差异,提高模型的跨负载自适应故障诊断能力。实验结果表明:采用与第二章相同的CNN网络结构,构造新的双负载数据集,领域适配深度迁移模型所提取的深度广义特征比标准CNN提取的特征故障诊断精度更高,有效地克服了不同负载对多状态故障识别的干扰,多次试验的平均迁移故障诊断精度均达到90.2%,对大型机械设备的轴承故障诊断具有重要借鉴意义。