滚动轴承是工业装备中的重要部件,其运行状态直接影响整个设备的安全性和可靠性。因此,对轴承进行故障诊断与预测,保障其安全可靠地运行意义重大。随着工业大数据的兴起,数据驱动的智能诊断与预测方法得到了广泛的应用。深度学习技术强大的数据表示学习和分析能力,能够为滚动轴承故障诊断与预测带来有效的方法。本文针对滚动轴承故障诊断与剩余寿命预测中的问题展开新型深度学习模型与算法研究,主要内容如下:1、针对滚动轴承工作过程的数据非平稳问题,提出了基于深度联合适配网络的域自适应学习框架。设计了基于深度联合适配网络的风电机组轴承故障诊断算法,解决了训练集(源领域)和测试集(目标领域)无法服从相同分布情况下故障分类问题,使得利用源领域训练后的深度联合适配网络能够对目标领域的故障进行分类与识别,实验证明了所提深度联合适配网络的轴承故障诊断算法具有良好的域自适应学习能力以及故障分类效果。2、针对目标领域样本稀缺,数据不平衡问题,提出了基于生成式对抗网络的深度域自适应学习框架。设计了对抗域自适应滚动轴承故障诊断算法,解决了源领域和目标领域之间数据量不匹配情况下故障分类问题,使得源领域训练后的对抗域自适应网络能够对目标领域的故障分类,实验证明了所提深度对抗域自适应轴承故障诊断算法能够最大限度地利用有限的目标领域数据实现域自适应。3、针对源领域和目标领域中存在故障类别不均衡情况下,源域数据与目标任务相关性的误判断发生负迁移问题,提出了基于生成式对抗网络的部分对抗域自适应框架。设计了部分对抗域自适应故障诊断算法,解决了源领域和目标领域之间样本空间种类不匹配情况下故障分类问题,使得源领域训练后的部分对抗域自适应网络能够对目标领域的故障分类,实验证明了所提部分对抗域自适应轴承故障诊断算法能够对源领域样本进行加权、选取,选取出公共样本种类。4、针对传统剩余寿命预测误差累积而导致预测精度低问题,利用生成式对抗网络能理解数据、学习数据规律和修正生成器偏差的特性,提出了基于生成式对抗网络的剩余寿命预测框架。设计了LSTM-GAN的滚动轴承剩余寿命预测算法,解决了滚动轴承剩余寿命预测中的误差叠加问题,实验证明了所提LSTM-GAN算法对滚动轴承剩余寿命具有良好的预测性能。