来源：期刊VIP网 时间：
作者：包从望;车守全;刘永志;邹静;
单位：六盘水师范学院矿业与机械工程学院;
摘要：深度迁移学习方法常被用于轴承故障迁移诊断，由于未充分考虑目标域对决策边界的影响，当2个领域分布差异较大时易导致迁移任务失败。针对此不足，提出了一种增强迁移学习方法（ETLM）用于轴承故障诊断，以改进轴承在变工况下的故障诊断性能。该方法通过构建双层网络模型结构，以源域训练模型1为基础，并将权重参数结果复制到模型2中，在模型2中通过引入目标域样本的伪标签自适应调整决策边界。为提高样本的识别效果，采用2个独立分类器的结构训练模型1和模型2，训练过程中以最大化分类差异、最小化源域和目标域分布差异为目标迭代更新权重参数。将交叉熵损失函数、最大均值差异（MMD）、分类判别损失函数作为优化准则，以减小2个领域间的分布差异，增强迁移学习能力。通过轴承故障诊断实验台数据对所提方法进行分析，结果表明，ETLM方法在特征学习、识别率和迁移效果方面明显优于其他几种方法。
关键词：故障诊断;;迁移学习;;增强迁移学习;;滚动轴承
基金资助：贵州省教育厅基金资助项目（黔教合KY字[2020]117）;; 六盘水市科技计划资助项目（52020-2022-PT-02,52020-2019-05-12）;; 六盘水师范学院基金资助项目（LPSSYylzy2205）
