贾 峰， 李世豪， 沈建军， 关海宁

(道路施工技术与装备教育部重点实验室(长安大学)，西安 710064)

随着人工智能技术的发展与海量轴承监测数据的积累，基于深度学习的智能故障诊断方法成为故障诊断与健康维护技术中的“生力军”[1-3]。该方法通过深度学习等人工智能技术建立故障诊断模型，分析表征机械大数据中隐含的故障信息，实现轴承故障特征的自动提取与健康状态的智能识别。例如：孙岩等[4]基于改进胶囊网络提出的故障诊断方法。陈淑梅等[5]提出卷积神经网络特征学习的多变量过程故障诊断模型。赵书涛等[6]提出了声振信号联合一维卷积神经网络的故障诊断方法。上述深度智能故障诊断方法取得了较好的故障识别效果，但这些方法在建立诊断模型时需要满足如下条件：具有充足、全面的训练样本，且训练样本与测试样本服从相同的数据分布。然而，轴承工况复杂多变，再加上其服役过程中不同故障样本的收集难易程度不同，对为全面获取各个工况下充足的训练样本带来极大困难[7]。而且由于不同工况下轴承监测样本的数据分布不同，部分工况样本训练得到的故障诊断模型，难以直接用于轴承在其它工况下的诊断，导致深度智能故障诊断方法在变工况下轴承的故障诊断中效果不佳。因此，研究人员逐渐引入迁移学习思想，建立迁移智能诊断方法来解决上述问题。迁移智能诊断旨在将轴承故障训练样本集中的诊断知识迁移到相似但不同的测试样本集，这些样本集被视作属于不同的领域。……