旋转机械在日常社会活动中起着重要作用,滚动轴承作为其重要组件,通常在较为复杂的工况下运行。因此,需要对轴承运行过程进行监测与故障诊断。随着科学水平不断提高,基于人工智能技术的故障诊断方法得到了长足发展。然而,从智能故障诊断方法实际应用的角度出发,现有智能诊断模型仍存在诸如方法框架固定难以动态调整、完备故障数据难获得以及实际可部署能力不足等问题。为了打破上述现实因素的制约,本文开展了轴承迁移跨域故障诊断方法研究,主要内容如下:介绍了迁移学习的方法理论以及三类基于样本实例、特征信息、模型参数的典型迁移学习模型。此外,从轴承动力学层面揭示了产生振动的原因,结合故障信号的振动特性,分析滚动轴承不同故障数据集之间的可迁移性,以及基于滚动轴承智能故障诊断任务的可迁移性,分析了三种迁移故障诊断应用场景。针对现有迁移诊断模型对不同故障诊断任务难以进行动态调整的问题,提出了一种深度动态域自适应网络模型,通过调节权重因子实现了在不同故障迁移诊断域自适应过程中,动态减小分布差异,迁移诊断模型可以有效获得更多的源域故障特征信息。在实验验证部分,除了进行变工况、变故障程度的迁移诊断外,还进行了跨机械级别的迁移诊断,通过与多个现有的迁移诊断方法对比,所提出的方法具有明显的优势。针对现有迁移诊断模型所需的完备故障数据实际中难以获得,模型实际可部署能力不足的问题,提出了一种时变的多源在线迁移诊断模型。离线阶段,仅需少部分无标记的目标机器运行数据即可完成初始模型构建,并将原始数据映射到相应特征空间中。在线阶段,模型采集到目标机器运行的在线样本后进行实时参数更新,获得新的故障特征表示。此外,所提出的迁移诊断模型具有多个源域能够提供更多域间可迁移诊断知识。通过和其他方法对比,展示了所提出方法的简便性以及实际可部署能力。