兰雨涛,胡超凡,金 京,王衍学*

(1.北京建筑大学 机电与车辆工程学院,北京 100044;2.桂林电子科技大学 机电工程学院,广西 桂林 541004)

0 引 言

目前,滚动轴承的智能故障诊断技术发展迅猛[1-3],能够快速、高效地对故障进行识别分类。但是智能故障诊断方法存在一个重要的假定,即标记的训练数据和未标记的测试数据要服从相同的分布[4]5525。然而,该假定存在两个缺陷:(1)被标记的故障数据很难从一些机器中收集上;(2)用标记的数据训练的智能故障诊断算法识别未标记的样本,可能会因为标记和未标记的数据集是从不同机器上获取的,从而导致失败[5]。因此,源域和目标域间存在分布差异,并可造成重要的分类性能退化[4]5529-5530。换而言之,发现一个良好的跨域特性表示很关键。一个好的特征表示可以尽可能减少域间分布的差异,并能够保留原始数据的重要属性。

为了解决域分布问题,域自适应技术被构造出来[6]。域自适应算法通过域不变子空间特征,构造从源域到目标域的知识迁移[4]5526,该算法已经得到了成功的应用[7,8]。在学习域适应的公共特征表示方面,YANG S和ZHANG Y等人[9]基于串行自编码提出了新的表示学习框架,通过穿行连接两种不同类型的自动编码器,提取了更丰富的特征表示。SHEN J和QU Y等人[10]利用一个用于评判标识的神经网络估计源样本和目标样本之间的经验Wasserstein距离,并通过优化特征提取网络,以最小化估计Wasserstein距离,进而学习域不变特征表示。ZHAO H和COMBES RTD等人[11]描述了当边缘标签分布因源域到目标域不同时,学习不变表示和两个域上实现小联合误差之间的基本权衡。……