滚动轴承作为旋转机械中的关键部件，其健康状态直接影响装备运行的安全性与可靠性。然而，在实际工业场景中，轴承常处于变转速、强噪声及多源分布差异等复杂工况下，振动信号呈现显著的非平稳性和跨域分布偏移，导致传统数据驱动模型存在特征学习缺乏物理可解释性、跨工况泛化能力不足以及预测结果可靠性有限等问题。针对上述挑战，围绕物理先验约束、细粒度分布对齐与可靠预测，开展了滚动轴承可解释跨域故障诊断与预测方法研究。首先，构建了可解释子域增强自适应网络，通过稀疏子段降噪和改进局部最大均值差异度量，提升模型对故障冲击信息和子域可迁移特征的感知能力。其次，提出了物理信息子域矩增强自适应网络，将故障机理相关的物理先验嵌入动态卷积过程，并利用局部多阶矩差异实现细粒度跨域特征对齐，增强模型在多源分布偏移条件下的诊断泛化性能。最后，构建了信号知识增强域适应网络，通过自适应窗短时傅里叶变换和多阶段分布对齐，提高网络对非平稳退化特征的提取能力及寿命预测可靠性。上述研究从物理先验嵌入、跨域可解释学习和寿命可靠预测等方面，形成了面向复杂工况滚动轴承智能运维的方法体系，可为旋转机械健康监测与预测性维护提供理论参考和技术支撑。

复杂工况,物理先验约束,跨域故障诊断,可解释性,滚动轴承