随着工业4.0时代的来临,信息化技术不断推进产业进行变革。工业大数据蓬勃发展,通过众多传感器、控制器等设备采集的大量数据为故障预测与健康管理(Prognostics and Health Management,PHM)技术提供了数据支撑。PHM可以智能地对工业设备运行状态进行分析并精确诊断故障,能够大幅度提高运维的效率,减少设备运行的不确定性。近年来,人工智能中的机器学习、深度学习等技术被广泛用于解决故障诊断与预测中的许多问题。但是,工业数据的分布差异和非均衡特性影响了故障诊断与预测模型的准确性与泛化性。一方面,工业数据受工业场景下复杂工况的影响,其分布随工况的不同出现差异。不同工况或者复杂工况下训练的故障诊断与预测模型泛化性较差,在实际部署后准确性难以保证。另一方面,工业数据中故障样本的数量往往远少于正常样本,该非均衡特性使得按照常规机器学习方法训练的分类器难以对故障样本做出正确的分类。针对以上两项挑战,本文基于迁移学习和非均衡理论对工业故障诊断与预测模型的优化进行了深入研究,主要成果如下:1、针对工业场景下,复杂工况导致的数据特征分布差异问题,本文提出了基于工况的深度领域自适应网络(working-condition-based Deep Domain Adaptation Network,Deep wcDAN)。该模型基于迁移学习中的领域自适应技术,提出了两种模式的基于工况的样本特征差异度量方法,将该差异作为损失函数的一项,在训练过程中缩小了训练集与测试集的分布差异,提升了故障预测模型的泛化性。在商用模块化航空推进系统仿真(Commercial Modular Aero-Propulsion System Simulation,C-MAPSS)数据集上的实验结果证明了该模型的有效性和可靠性,以及相应的参数探索策略的正确性。2、针对工业数据同时具备非均衡特性和工况导致的分布差异的问题,本文提出了一种基于深度领域自适应的非均衡故障诊断模型(Imbalanced Fault Diagnostics Model based on Domain Adaptation,IFDM-DA)。该模型利用代价敏感算法调整了损失函数中不同类别的权重,提高了分类器对故障样本的侧重程度。利用非监督的方法获得了测试集中样本的伪标签,并使用领域自适应中的条件分布自适应算法,计算了训练集与测试集中相同类别样本的特征差异。将该差异大小作为损失函数的一项,在训练过程中不断缩小训练集与测试集相同类别特征的差异,提升了模型的泛化性以及少数类(样本数量较少的故障类)的分类准确率。最后在凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集上对整体实验的多项指标进行评估。