黄凯

（江苏徐工信息技术股份有限公司 江苏省徐州市 221000）

随着工业大数据和物联网在工业4.0 背景下的快速发展，工业设备的预测和健康管理(PHM)变得越来越重要，导致工业设备的智能维护系统越来越多[1]。而轴承是现代机械中必不可少的部件，因此保证轴承的正常运行十分必要[2]。

基于机器学习的轴承故障诊断中存在特征难以提取、人员经验要求高以及准确率低等问题。随着科学技术的发展，人工智能领域在各个方向中渐渐崭露头角，将传统的轴承故障诊断与人工智能相结合，迅速成为故障诊断研究领域的热点[3][4]。然而在采煤机实际运行过程中不仅工作场景和工况条件不同而且轴承数据在不同条件下分布也不同，新采集的数据往往标签缺失，甚至无法标记，因此需要通过无监督迁移学习来解决这一问题[5]。

针对传统轴承面临的一些问题，专家们提出了运用深度学习的方法来解决传统轴承故障问题。庄雨旋等[6]提出一种基于长短时记忆网络的故障诊断方法；赵敬娇等[7]利用残差连接卷积神经网络进行故障诊断。针对故障数据少，黄南天等[8]提出非平衡小样本轴承对抗诊断，生成大量故障数据。但以上方法都无法彻底解决不同场景条件下的轴承数据无标签问题，基于此提出了一种基于无监督深度迁移学习的轴承故障诊断的方法。

1 理论背景

1.1 迁移学习的概述

迁移学习在目前各个领域研究中都受到了广泛关注，并且在计算机视觉中取得巨大成功，而特征迁移学习是迁移学习中最热门的研究方法。……