随着工业装备的精密程度、紧密程度的提高,任何一个滚动轴承出现微小故障都可能造成设备无法正常工作甚至出现损坏,因此对其故障情况进行分类诊断十分必要。虽然设备智能化程度的提高提供了大量监测数据,但深度学习诊断模型的有效训练仍需要故障种类丰富、样本数量充足且标注好故障信息的训练集。利用轴承故障动力学模型可以获取仿真故障数据集,但其与实际故障数据集之间的差异,使得仿真数据训练的诊断模型难以直接用于实际故障诊断。针对这些问题,本课题提出通过构建轴承故障动力学模型,建立完备的仿真训练数据集,在分析仿真数据集迁移到实际数据集的可行性基础之上,构建深度迁移学习故障诊断模型,完成实际轴承故障状态的分类。围绕滚动轴承动力学建模,将滚道局部缺陷等效为矩形,通过分析滚动体与缺陷区域两侧边沿和底部的相互作用关系,推导出了滚动体通过内、外滚道不同跨度局部缺陷时的分段位移激励函数。结合Hertz接触理论对滚动体非线性接触力进行了计算,并考虑了润滑油膜、滚动体随机滑动等因素的影响,得到了可模拟内、外圈局部缺陷的动力学模型。基于得到的仿真故障数据,分别从时域信号、频谱、时频分析、概率密度分布等不同角度,对比了其与实际故障信号的相通与不同之处。在分析故障激励原理的基础上,验证了所建立的动力学模型的合理性,并对仿真数据用于实际故障诊断的可迁移性进行了分析,为迁移学习部分提供了理论铺垫。针对深度迁移学习发展中出现的加深网络和多层适配的两种思路,分别建立了基于Alex Net和Res Net的深度学习故障诊断模型。设置了数据预处理、损失函数、优化算法等细节,并将小波变换时频图作为模型输入,对两种模型的故障状态分类诊断效果进行了比较,为迁移学习部分提供了模型和算法基础。在已有的两种深度学习诊断模型基础上,引入多个核函数表征的最大均值差异(MK-MMD)作为数据分布差异的度量,将训练域和诊断域中的可迁移故障特征投映至高维Hilbert空间,定量计算数据集的差异。同时优化训练域分类损失和MK-MMD损失来训练模型,最终实现了对实际故障的分类。最后通过变工况实验检验了深度迁移学习诊断模型的性能,并证明了利用仿真数据训练迁移学习诊断模型的方法的合理性。