苏靖涵，张 潇

(1.南开大学 电子信息与光学工程学院，天津 300350；2.徐州医科大学 医学信息与工程学院，江苏 徐州 221008)

0 引言

在现代工业领域中，旋转机械设备的运行状态将直接影响工业生产的进程和效率，而作为其核心部件之一的滚动轴承发生故障将直接影响设备的安全运行，因此，滚动轴承的故障诊断研究对保障工业机械设备安全稳定运行具有重要意义[1-3]。

随着传感器技术、工业互联网、数据挖掘和机器学习的快速发展，基于人工智能数据驱动的故障诊断方法逐渐成为研究热点[1]。近年来，深度学习理论作为研究热点，由于深度学习模型具备强大的特征提取能力，能够克服浅层学习模型的缺陷，进而在机械故障诊断领域获得了越来越多的关注[2-5]。然而，面对实际工业场景下的故障诊断，存在如下问题[1,3,6]：(1)由于机械设备运行工况复杂多变，导致故障诊断模型的训练样本与实际运行过程中的轴承振动信号样本存在分布差异，而传统的深度故障诊断模型大多假设训练样本与测试样本是相同分布。(2)实际工况下的轴承故障样本不足。机械设备中正常状态的轴承在不同工况下运行的监测数据易获取，但若想获取不同工况下的故障数据，代价巨大。

针对上述问题，迁移学习方法在近年来逐渐获得研究者的关注，迁移学习旨在利用已有领域(源域)的知识解决不同但相关领域(目标域)的问题，包括基于样本、基于特征、基于关系和基于模型的4种迁移方法[2-5]。……