李金才，付文龙,2,3，王仁明，陈星，孟嘉鑫

（1.三峡大学 电气与新能源学院，湖北 宜昌 443002；2.三峡大学 梯级水电站运行与控制湖北省重点实验室，湖北 宜昌 443002；3.三峡大学 水电动机械设备设计与维护湖北省重点实验室，湖北 宜昌 443002）

0 引言

滚动轴承作为煤矿机械设备中的重要部件之一[1]，其工作环境复杂，易出现损坏，从而影响煤矿生产系统的可靠性和安全性。因此，对煤矿机械设备中的滚动轴承进行智能故障诊断具有重要意义[2]。

随着机器学习的快速发展，深度学习被引入到机械设备智能故障诊断中，并取得了一定的成果。但基于深度学习的机械设备故障诊断模型却要求训练集和测试集满足独立同分布的原则，当训练集与测试集分布不同时，会出现模型泛化能力差的问题[3]。由于工业过程中大量数据样本难以被标记，且滚动轴承又常常工作在变工况情况下，导致实际故障诊断中缺少或无法获取与待测数据分布相同的大量带标签训练数据[4]。

鉴此，研究者们将迁移学习（Transfer Learning，TL）引入到故障诊断中，以实现不同工况之间的知识迁移。文献[5]使用少量的目标域标记数据对源域数据训练好的模型进行微调，以此获得目标域数据的故障诊断模型。文献[6]提出了一种基于参数迁移的改进最小二乘支持向量机迁移学习方法，实现了目标域中已知标签数据较少条件下的滚动轴承故障诊断。文献[7]通过改进TrAdaBoost 方法对源域样本重新加权，提升了分类准确率。

但上述方法均需目标域含少量带标签样本，当目标域完全不含标签时，模型泛化能力变弱且诊断准确率下降。……