张宏乐，韩雪华，史 凯，任贺贺，徐 磊，钱恒昌，李 灿，李方迪，黄 璜

(1.兖矿能源集团股份有限公司 济宁二号煤矿，山东 济宁 273599； 2.兖矿能源集团股份有限公司 山东煤炭科技研究院分公司，山东 济南 250117)

矿井提升机作为连接煤矿井下与地面的关键设备，担负提升煤炭、矸石，下放材料，升降人员和设备的任务，其运行状况将直接影响矿山生产人员的生命安全和矿井的生产能力[1-3]。轴承是提升机系统的关键部件之一，其一旦发生故障，将带来提升机安全隐患，因此，研究提升机轴承状态监测与故障诊断对保障矿井提升机安全稳定运行具有理论意义和工程价值。

近年来，随着人工智能与物联网技术的快速发展，智能故障诊断方法逐渐成为研究热点[4]，目前，基于深度学习和迁移学习的框架被研究人员常用于机械设备故障诊断[5，6]，并取得了许多研究成果。张西宁等[7]利用预训练-微调的迁移学习方法，提出将源域样本训练得到的模型参数迁移至目标域，对深度模型的参数进行微调，使其适用于目标域样本的故障识别与分类。Zhiyi等[8]提出一种提出了一种增强型深度自解码器，利用足量的源域故障样本训练模型，再通过参数迁移与微调的方法使模型适用于目标域样本的故障识别与分类。然而，由于实际工作环境下的机械设备常处于高温、高速和变负载的状态，基于深度学习的故障诊断模型存在以下主要问题[5-9]：①缺少足量有标签故障样本。由于机械设备在实际工作中处于变工况，因此获取足量的不同工况下故障样本的难度大；……