姜宇迪，胡 晖，殷跃红

(上海交通大学 机械与动力工程学院，上海 200240)

电梯制动器是电梯的重要安全装置，其性能衰减将直接影响电梯的运行安全[1-4].目前，电梯制动器寿命预测多采用传统的机器学习法[4-5]，即根据全生命周期的标注数据学习回归算法并进行预测分析[6-7].然而，电梯制动器作为高可靠性设备，其衰退周期长，全生命周期下的大量标注数据不易被采集，从而严重限制了传统机器学习方法的寿命预测效果.因此，需要探索能够得到大量电梯制动器衰退数据并进行剩余生命周期(RUL)精确预测的新方法.利用实验室样机仿真加速电梯制动器衰变的方法可以采集到大量标注数据，但所得仿真数据与在真实工作环境中得到的数据存在明显分布差异，会影响预测算法的结果.因此，如何迁移运用不同类型的大数据是算法研究的关键.

迁移学习[8]是一种机器学习新方法，其将仿真数据集定义为源领域，将真实工作环境中的数据集定义为目标领域[8-9]，以减少分布差异对预测结果的影响，从而提高算法的精度[10-13].在工业设备的应用方面，基于迁移学习的寿命预测和故障诊断算法尚不成熟.Sun等[14]利用稀疏自编码和Kullback-Leibler (KL)散度实现了对机器工具的寿命预测.Jia 等[15]利用基于域自适应的深度卷积神经网络实现了在不同噪声环境下轴承的故障诊断.Zhang等[16]提出通过快速傅里叶变换的方法将频谱数据映射到子空间，并利用子空间对齐的方式实现……