随着现代化工业的发展,旋转机械广泛应用于各个行业,其运行状态直接影响着整个机械系统的安全稳定性。旋转机械的关键部件由于长时间处于重载等复杂的工作状态,容易发生损坏,这往往是导致系统故障的主要因素。因此,对旋转机械的关键部件展开故障诊断研究有着极其重要的意义。基于信号处理技术和传统机器学习的故障诊断方法一般需要一定的先验知识和手动地提取特征,深度学习由于其强大的自动提取特征的能力在机械故障诊断领域引起了广泛的研究。然而,旋转机械复杂多变的工况导致深度学习训练数据和测试数据服从相同分布的假设在实际工业应用中很难成立。在国家自然科学基金等项目资助下,针对旋转机械复杂多变的工况引起数据分布不一致导致传统深度学习模型性能下降的问题,本文将深度学习与迁移学习相结合,在使用深度学习自动提取特征的同时,利用迁移学习减小源域（训练数据）和目标域（测试数据）之间的分布差异,使得深度迁移学习模型能处理域漂移问题带来的负面影响,胜任变工况下的故障诊断任务,具体研究内容如下:首先,为了从不同尺度减小源域数据和目标域数据之间的分布差异,提出多尺度深度类内自适应模型。首先利用ResNet-50同时从源域和目标域样本中提取中间层次特征。为了缓解特征提取过程中的信息丢失,构造多尺度特征提取器从多个角度进一步分析中间层次特征得到高层次特征,将高层次特征送入分类器得到源域样本的预测标签和目标域样本的伪标签。源域样本的预测标签和真实标签通过交叉熵损失函数得到分类损失,同时计算不同域样本高层次特征之间的条件分布距离来实现类内匹配。分类损失与条件分布距离结合在一起形成目标函数,利用随机梯度下降法对目标函数进行迭代优化,使得在源域上训练的分类器能更加准确地预测目标域中样本的标签。其次,为了适应不同模式下的分布差异,提出动态联合分布对齐网络模型减小不同域之间边缘分布差异和条件分布差异,同时定性定量地衡量边缘分布距离和条件分布距离的相对重要性,有效地提升了该模型在各种复杂分布差异下的泛化性和鲁棒性。该模型先是使用深度神经网络分析源域样本和目标域样本得到高层次特征,高层次特征作为分类器的输入,并计算高层次特征之间的边缘分布距离和条件分布距离。通过引入动态调节因子将边缘分布和条件分布结合在一起形成联合分布距离,定性定量地衡量两者之间的相对重要性,更好地减小了不同域之间的分布差异。同时考虑深度神经网络的不确定性和概率性,利用目标域样本的软伪标签代替伪标签来更加准确地计算不同域之间的条件分布距离。最后,对本文的工作进行了总结并对未来工作内容作出了展望。本文基于深度学习和迁移学习进行旋转机械状态信号特征分布差异下故障诊断研究,通过寻求不同域之间的相似点,将源域中有用的知识迁移到目标域中,有效地增强了变工况下深度学习模型的通用性和泛化性。在变工况下故障诊断实验中,本文提出的深度迁移学习模型平均诊断正确率高达99%左右,相比传统的机器学习和深度学习方法提高了 5～15%。