深度迁移学习在机器智能故障诊断中的应用通常假设域之间的对称性:1)来自目标机器的样本在所有健康状态中是平衡的,以及2)目标机器所需的诊断知识与源机器一致。然而,在现实中,这种假设是站不住脚的,因为机器在大部分时间里运行正常,只有偶尔的故障。因此,从目标机器收集的监控数据包含大量健康样本,但有少量故障样本,并且源机器中经历的一些健康状态可能永远不会在目标机器中发生。因此,如果来自源机器的具有不同健康状态的足够的标记数据可用,则在存在域不对称的情况下,只有部分诊断知识可以被转移到目标机器。为了有选择地在非对称域间传递诊断知识,我们提出了一种对抗性的网络结构,称为深度部分传递学习网络(DPTL网)。DPTL网络使用一个域鉴别器来自动学习域不对称因子,通过该因子对源机器样本进行加权,以在基于最大均值差异的分布自适应中阻止不相关的知识。在两个案例研究中展示了DPTL网络的性能,在这两个案例研究中,诊断知识在行星齿轮箱的不同工作条件之间以及在不同但相关的轴承之间传递。结果表明,DPTL网络比其他迁移学习方法获得了更好的诊断性能,这是因为它在存在域不对称的情况下具有迁移能力。