来源：期刊VIP网 时间：
作者：高丽鹏;雷文平;曹亚磊;冀科伟;
单位：郑州大学机械与动力工程学院;
摘要：在工程实际中，设备数据样本往往以正常数据居多。故障样本稀缺且模态单一使得可用于训练的故障信息特征提取不足，同时训练和测试数据分布往往存在差异，从而导致模型迁移诊断能力较弱。针对该问题，提出将深度学习模型CNN与多模态融合迁移学习技术相结合（Deep Multimodal Fusion Transfer Learning,DMFTL）应用于轴承的故障诊断中。首先以CNN为基本学习框架，将原始一维振动信号的时域和频域进行多模态信息融合对模型预训练；然后以最大均值差异（MMD）为度量准则，通过域自适应来最小化源域和目标域的差异；最后引入构造的正则项到模型中，以完成跨域诊断。通过对CWRU轴承数据集的迁移诊断试验及对比分析，验证了该方法的有效性和优越性。
关键词：深度学习;;多模态;;域自适应;;迁移学习;;故障诊断
基金资助：河南省高等学校精密仪器制造技术与工程重点学科开放实验室开放基金资助项目（PMTE201301A）
