滚动轴承由于长期处于高负荷、强冲击的恶劣运行环境,极易发生故障,从而影响机械设备的正常运行。目前针对于轴承在线流数据早期故障检测的研究还处于起步阶段,总体而言,存在以下挑战:（1）在实际工程环境中,轴承振动信号呈流数据的形式,且伴随着噪声的干扰;（2）在线流数据缺少人工标记,易造成模型偏差,严重影响轴承的早期故障检测效果。针对上述问题,本文研究通过迁移不同工况下轴承正类数据的检测规则,提高目标轴承在线流数据早期故障检测的准确性和鲁棒性。具体而言,以超球对抗训练作为领域适配的基本思路,以单分类检测规则迁移为切入点,针对于目标在线轴承数据有无人工标记数据,从半监督和无监督两个方面构建单分类迁移异常检测算法,用于提高在线诊断模型的准确性和稳定性,有效地解决了目标在线流数据由于存在着噪声干扰、缺少状态标记导致在线检测模型精度和鲁棒性较差的问题。主要研究内容如下:（1）基于深度域对抗模式下的单分类迁移故障检测方法:研究针对于滚动轴承不同工况下正常类数据之间存在着较大分布差异,导致离线数据无法直接用于训练在线故障检测模型的问题,本文提出了一种半监督学习的单分类迁移异常检测模型（Deep Domain-Adversarial Anomaly Detection,DAAD）。该方法通过领域对抗网络与超球适配相结合,将特征的自适应提取与源域和目标域检测规则的传递过程进行交替优化,最终得到源域和目标域数据的公共特征表示,从而建立端到端的单分类迁移异常检测模型。本章从理论上对DAAD的单分类迁移过程进行了可靠性分析,并提出了如何规避无效迁移和负迁移的策略。在标准图片数据集的迁移实验中验证了DAAD在迁移异常检测问题的有效性。同时在工业滚动轴承故障数据集上进行了对比实验,结果表明,所提方法可以有效适应数据变化,在检测结果上均优于目前最新的基于参数微调、知识蒸馏、自监督的迁移异常检测方法。（2）基于自监督预训练的无监督在线流数据迁移故障检测方法:在上述方法DAAD的基础上,本章进一步考虑在线流数据早期故障检测问题中数据缺乏人工标记数据导致检测模型鲁棒性较差的问题,提出一种无监督迁移异常检测模型（Self-supervised Learning Domain-Adversarial Anomaly Detection,SSL＿DAAD）。该模型的核心思路:将自监督预训练与领域对抗网络相结合,实现单分类检测规则在无监督学习模式下的有效传递。首先,构建自监督预训练网络,得到具有相似分布特性的源域与目标域数据特征;其次,基于源域网路与目标网络之间回归映射的均方误差,对在线训练数据生成高质量的伪标签;最终,基于自监督网络的预训练参数,使用DAAD网络进行微调训练,提高了在线流数据的早期故障检测的效果。此外,本章对所提方法的可靠性进行了理论分析,证明所提方法可以有效避免单分类迁移过程中的无效迁移。在IEEE PHM Challenge 2012和XJTU-SY数据集上进行对比实验,结果表明,该方法适用于在线流数据场景下的早期故障检测问题,可在避免误报警的同时,更早检测出早期故障的发生。综上所述,本文工作针对在线流数据早期故障检测的实际问题需求,根据目标轴承训练数据有无人工标记,从半监督和无监督学习两方面,分别构建单分类迁移异常检测模型,提高了轴承在线检测的准确性和鲁棒性,具有显著的学术研究和应用价值。