El diagnóstico inteligente de fallos en rotores siempre requiere una gran cantidad de muestras etiquetadas, pero en los sistemas de rotores operativos se pueden obtener señales de vibración insuficientes para detectar los modos de fallo. Para resolver este problema, se propone un modelo de aprendizaje por transferencia adaptativo al dominio basado en un pequeño número de muestras. Se recogen señales de vibración en el dominio del tiempo mediante muestreo superpuesto y se convierten en diagramas tiempo-frecuencia utilizando la transformada de Fourier de corto tiempo (STFT), reservando las características en el dominio del tiempo y en el dominio de la frecuencia de las señales de vibración. Las características del dominio fuente y del dominio objetivo se proyectan en el mismo espacio de características a través de una red neuronal adversarial de dominio (DANN). Este método se verifica mediante un rotor de generador de gas simulado y un banco de pruebas de rotor. Se realizan tanto la transferencia en la misma máquina (TIM) como la transferencia entre diferentes máquinas (TDM). Los resultados muestran que este método tiene una alta precisión de diagnóstico y una buena robustez para diferentes tipos de fallos. Al entrenar un gran número de muestras de simulación y un pequeño número de muestras experimentales en TDM, se logra una alta precisión en el diagnóstico de fallos, evitando la necesidad de recopilar una gran cantidad de datos experimentales como dominio fuente para entrenar el modelo de diagnóstico de fallos. Así, se puede resolver el problema de la insuficiencia de muestras de fallos en rotores.