刘冬冬，李友荣，徐增丙

（武汉科技大学冶金装备及控制教育部重点实验室，湖北 武汉 430081）

1 引言

轴承是机械传动系统中的重要支承部件，受恶劣工况影响，故障频发，严重影响了企业的生产运营[1-2]，为保证设备正常运行，轴承的故障诊断至关重要。传统基于机器学习的故障诊断方法如Adaboost[3]、决策树[4]、最邻近结点算法（KNN，K-NearestNeighbor）[5]和支持向量机（SVM，SupportVectorMachine）[6-7]等机器学习方法进行诊断分析时，需面临两个问题：（1）测试与训练数据分布一致；（2）训练样本足够多[8]。但机械设备在实际工作过程中因工况复杂多变，导致产生的状态信息数据分布不一致，进而影响了诊断精度。

迁移学习是运用己存有（源域）知识对不同但相关领域（目标域）问题进行求解的一种机器学习方法，是一种可以有效解决传统机器学习以上两个问题的方法，目的是迁移已有的知识来解决目标域中仅有少量有标签样本数据甚至没有的学习问题。目前已在文档分类、情感分类、计算机视觉、网络搜索排序等领域有着广泛应用[9]。如文献[10]将基于最大间隔的核均值匹配的迁移学习算法应用于文档分类处理；文献[11]将迁移学习应用到语音情感识别，解决了跨库不易识别的难题；文献[12]提出了基于稀疏编码的迁移学习应用于行人检测；文献[13]将迁移学习引入搜索引擎，很好地解决了搜索结果返回排序难的问题等，但在机械设备故障诊断领域应用较少。

为此，将SelecTr迁移学习（Transfer Learning）[14-16]应用于轴承故障诊断中，利用SelecTr迁移方法迁移可用的样本数据应用于故障分类，从而解决因工况多变而产生数据分布特性不同，导致诊断精度低的问题。……