在大数据背景下,机械设备朝着精密化、自动化和智能化的方向发展。建立可靠的健康诊断系统,是保证机械设备平稳运行的关键。传统基于人工特征提取的机器学习分类诊断方法,严重依赖信号处理技术和专家经验,设计过程多复杂且不能保证通用性,已经不能满足机械大数据的高效率和高精度的要求。然而,近年来基于深度学习的机械故障智能诊断方法,要求监测系统中典型故障信息、健康标记信息的有效数据充足,足够训练参数众多的智能诊断模型。此外,要求源域和目标域特征分布相同、任务相同。本文针对这些模型存在的问题,以大模数齿轮齿条为研究对象,首先验证利用振动分析对其进行故障诊断的无效性,进而发现了针对磨粒识别诊断的统一框架,针对小样本数据诊断问题,开展了利用迁移学习的诊断模型研究,实现试验研究成果向工程应用的转化。本文首先介绍大模数齿轮齿条的故障特点和磨损机理,为后续诊断提供理论依据,然后通过添加机舱噪声的形式模拟实际大模数齿轮齿条在低速重载下的振动数据,通过对比试验,验证利用非监督式SWS模型验证对大模数齿轮齿条振动信号的故障诊断很难达到精度要求。结合大模数齿轮齿条磨损特征,引出利用油液分析对其进行故障诊断的方法。发现了具有四个卷积层的深度卷积神经网络(DCNN),对铁谱分析提取的大模数齿轮齿条磨粒图像数据进行诊断。利用数据拓增技术和批量归一化算法,模型在磨粒图像数据集上训练速度加快并且识别率达到了95.5%±0.18%。进一步分析大模数齿轮齿条实际有效故障数据缺乏和数据标记缺失的特点,发现了基于新的联合损失函数的卷积神经网络集成模型(LCNNE)解决小样本数据诊断问题。验证了LCNNE在磨粒数据集上识别率达到了99.5%。然后将LCNNE模型作为特征提取器提取特征,利用外部分类器SVM进行分类,验证了LCNNE在磨粒数据集上识别率达到了99.63%±0.13%,并且LCNNE集成模型提取的特征输入SVM分类的识别率高于VGG19和Google Net提取的联合特征2%～3%之间。最后利用数据t-SNE技术,对DCNN、VGG19、Google Net和LCNNE最后一个隐含层提取的特征进行可视化,说明了模型的特征表达能力越强识别效果就越好。