滚动轴承故障诊断在工业领域受到广泛关注，对保证机械系统的可靠性、安全性和经济性起着至关重要的作用。传统的数据驱动故障诊断方法需要提前获取完整的故障模式数据集作为训练数据。然而，在一些关键的工业场景中，这种数据集并不总是可用的，这削弱了数据驱动故障诊断方法在各种应用中的实用性。数字孪生，建立物理实体的虚拟表示来反映其运行条件，将使故障数据不足时滚动轴承的故障诊断成为可能。本文提出了一种新的数字双驱动方法来实现训练数据不足的滚动轴承故障诊断。首先，建立了基于动态的滚动轴承虚拟模型来生成仿真数据。然后，建立了一个基于Transformer的神经网络，学习模拟数据的知识进行诊断。同时，引入了一种选择性对抗策略，在测量数据健康状况未知的情况下实现了跨域特征对齐。为此，本研究提出了一种利用带标记的模拟数据和未标记的实测数据的数字双驱动故障诊断框架。实验结果表明，在真实数据未标记且健康状况未知的情况下，所提方法能获得较高的诊断性能，证明所提方法对临界滚动轴承的健康管理具有显著的效益。
