張 猛, 王 波,2, 徐 浩, 楊文龍, 汪 超

(1. 安徽理工大學 機械工程學院,安徽 淮南 232001;2. 滁州學院 機械與電氣工程學院,安徽 滁州 239000)

機械設(shè)備越來越趨向于大型化、精密化、復雜化,為了避免機械設(shè)備運行故障引發(fā)經(jīng)濟損失以及重大事故,機械設(shè)備故障診斷面臨著嚴峻挑戰(zhàn)。目前針對機械智能故障診斷方法,學者們以傳統(tǒng)的機器學習[1]、深度學習[2]以及遷移學習[3]等人工智能方法為依托,以機械故障診斷問題為出發(fā)點,開展了大量深入研究。

相較于傳統(tǒng)的機器學習方法如支持向量機(support vector machine, SVM)、相關(guān)向量機 (relevance vector machine, RVM)[4],能夠自動實現(xiàn)深層特征提取的深度學習和遷移學習模型被更廣泛地應(yīng)用于智能故障診斷領(lǐng)域。然而,實際工況下數(shù)據(jù)標注成本高以及設(shè)備故障類型復雜[5],導致無法有效獲取大量有標簽故障樣本。人為創(chuàng)建額外的有效樣本用于模型訓練,可以在原始訓練數(shù)據(jù)集較少的情況下實現(xiàn)較高的診斷準確率。Li等[6]研究了兩種增強方法,包括基于樣本的增強方法和基于數(shù)據(jù)集的增強方法,如附加高斯噪聲、掩蔽噪聲、信號平移、振幅偏移和時間拉伸等。

然而,在保證數(shù)量的前提條件下,由于機器設(shè)備運行環(huán)境具有復雜性以及故障程度呈現(xiàn)差異化,直接導致無標簽目標域數(shù)據(jù)集與用于訓練的有標簽源域數(shù)據(jù)集存在著較大分布差異[7],仍難以保證模型遷移具有較高的智能故障診斷準確率。

為了解決上述問題,越來越多的學者關(guān)注于能夠?qū)崿F(xiàn)自動對齊源域和目標域數(shù)據(jù)偏差的無監(jiān)督領(lǐng)域自適應(yīng)[8](domain adaptation, DA)方法。陳祝云等[9]提出了一種增強遷移卷積神經(jīng)網(wǎng)絡(luò),通過引入對抗訓練最小化源域與目標域特征分布差異,改進了機械設(shè)備在變工況下的診斷精度和泛化能力。針對標記樣本和未標記樣本的不足極大地限制了故障診斷方法的性能等問題,He等[10]提出了一種基于Wasserstein距離的生成對抗網(wǎng)絡(luò)和最小奇異值分解的深度遷移學習方法,同時該方法在跨域故障診斷過程中也提高了域自適應(yīng)的能力。Liu等[11]針對部分域適應(yīng)問題提出了一種集成和共享的選擇性對抗網(wǎng)絡(luò)(ensemble and shared selective adversarial networks, ES-SAN)。在網(wǎng)絡(luò)中引入一個關(guān)聯(lián)層來關(guān)聯(lián)每個樣本的類和域信息,構(gòu)建了基于單智能模型的共享模塊,可以在分類器和具有多子域判別能力的判別器之間進行轉(zhuǎn)換。Lu等[12]提出了一種具有域自適應(yīng)能力的深度卷積神經(jīng)網(wǎng)絡(luò)模型,該模型通過將源域和目標域數(shù)據(jù)映射到高維可再生核希爾伯特空間,采用最大均值差異(maximum mean discrepancy, MMD)度量來減少源域和目標域樣本分布差異。Wang等[13]彌補了相關(guān)對齊(correlation alignment,CORAL)在匹配過程中忽略域期望之間差異的不足,提出了一種新的特征相關(guān)匹配(feature correlation matching, FCM)方法,并進一步將其作為目標函數(shù)提出了深度特征相關(guān)匹配網(wǎng)絡(luò)(deep feature correlation matching network, DFCMN)。胡若暉等[14]提出一種有效利用少量樣本數(shù)據(jù)實現(xiàn)領(lǐng)域自適應(yīng)的遷移學習模型,通過對抗領(lǐng)域自適應(yīng)網(wǎng)絡(luò)(domin-adversarial neural networks, DANN)將源域與目標域特征投射到同一特征空間,實現(xiàn)了多領(lǐng)域特征提取與適配。然而,上述領(lǐng)域自適應(yīng)方法旨在強制對齊源域和目標域的特征全局分布,卻未充分考慮源域和目標域間同類別特征分布的關(guān)系,丟失了子類特征的細粒度信息。

因此,為了充分利用子類特征的細粒度信息對齊子空間,實現(xiàn)更準確的智能故障診斷,提出了一種偽標簽驅(qū)動局部子空間對齊實現(xiàn)跨域故障診斷的方法。通過輸出偽標簽概率分布計算局部最大均值差異對齊源域和目標域,同時對齊源域和目標域的相關(guān)子空間,進而實現(xiàn)在不同工況下的智能故障診斷。主干網(wǎng)絡(luò)采用卷積神經(jīng)網(wǎng)絡(luò) ( convolutional neural network, CNN)[15]作為特征提取器提取故障特征,通過瓶頸層降低特征維度減少參數(shù)數(shù)量,最后通過分類器診斷故障類型。為了提高模型的收斂性,該方法通過遷移經(jīng)過預訓練的模型為目標域無標簽樣本計算其偽標簽的概率分布,聯(lián)合計算目標域樣本與源域樣本類中心的余弦相似度為目標域無標簽樣本計算偽標簽概率分布,同時在模型的不同位置計算局部最大平均差異(local maximum mean difference, LMMD)[16],通過梯度下降方法降低源域和目標域相同故障特征的分布差異,同時對齊源域與目標域間的全局空間和相關(guān)子空間。通過計算偽標簽概率分布來計算LMMD,降低源域與目標域相同故障類型的特征分布差異,從而實現(xiàn)高效智能故障診斷。通過與其他方法進行比較,所提方法在公開數(shù)據(jù)集和試驗條件下采集的數(shù)據(jù)集上均達到了最高的故障診斷準確率,證明了所提方法的優(yōu)越性和有效性。

1 理論分析

1.1 問題定義

對于無監(jiān)督領(lǐng)域自適應(yīng)問題,假定:源域數(shù)據(jù)Ds有標簽,目標域Dt數(shù)據(jù)無標簽,并且源域和目標域數(shù)據(jù)服從不同的概率分布P(xs,ys)和Q(xt,yt),此外假設(shè)源域和目標域具有相同故障類型即具有相同的標簽空間,則源域和目標域可以定義為

(1)

(2)

E(F)=E(x,y)～Q[F(x)≠y]

(3)

因此,該網(wǎng)絡(luò)模型全局損失函數(shù)可以定義為

(4)

式中,η>0為平衡參數(shù)計算為

(5)

式中:ξ=10;β為訓練開始后,訓練進度從0變?yōu)?。

Ldimmd為該模型全局的局部最大平均差異自適應(yīng)損失;LM為該網(wǎng)絡(luò)模型對源域數(shù)據(jù)的分類損失,LM定義為

(6)

式中,J(.,.)為交叉熵損失函數(shù),且式(6)為預訓練階段的目標優(yōu)化函數(shù)。

1.2 局部最大均值差異

MMD被廣泛運用于度量兩個域的分布偏差,然而以往基于MMD的深度遷移學習故障診斷方法主要關(guān)注于全局分布對齊,忽略了不同域相同子空間的細粒度信息。實際上,利用不同域的相關(guān)子空間之間的關(guān)系對相同子空間進行分布對齊,不僅可以匹配全局分布,還可以匹配局部偏差[17]。因此為了同時對齊全局和相關(guān)子空間,所提方法通過計算偽標簽屬于每一類的概率分布,進而引入了LMMD。在考慮不同樣本權(quán)重的情況下,通過反向傳播,最小化源域和目標域在相關(guān)局部子空間上的條件分布差異,同時最小化核平均嵌入之間的核希爾伯特范數(shù),實現(xiàn)子域自適應(yīng)。LMMD計算公式為

(7)

式中:H為通過高斯核函數(shù)K(·)映射的可再生核希爾伯特空間;φ(x)為將樣本映射到核希爾伯特空間的特征映射;K(xs,xt)=〈φ(xs),φ(xt)〉,其中〈.,.〉為向量內(nèi)積;C為樣本的故障類型個數(shù);w為樣本屬于第C類的權(quán)值,其值計算如下

(8)

(9)

式中,zl為在模型特定位置處提取的特征向量。

1.3 主干網(wǎng)絡(luò)

CNN可以從原始振動信號中自動提取故障特征,同時深度卷積神經(jīng)網(wǎng)絡(luò)具有多層非線性映射能力,可以提高智能故障診斷準確率。此外,與小核相比,寬核能夠更好地抑制高頻噪聲,因此,該網(wǎng)絡(luò)采用了擴寬淺層網(wǎng)絡(luò)卷積核的方式,實現(xiàn)快速提取更多的故障特征,進而提高故障特征識別率以及計算效率。為了提高深層網(wǎng)絡(luò)的非線性映射能力,對于深層結(jié)構(gòu)采用較小卷積核以提高檢測精度。該主干網(wǎng)絡(luò)結(jié)構(gòu)包括特征提取器、瓶頸層和分類器。模型結(jié)構(gòu)如圖1所示。

圖1 主干網(wǎng)絡(luò)

其中,特征提取器由四層卷積塊、Flatten層和一個線性全連接層組成;線性全連接層和瓶頸層類似,由隱藏線性層、激活函數(shù)和Dropout操作組成。分類器層為Sofmax函數(shù),輸出分類結(jié)果。每一個卷積塊由四步操作構(gòu)成,分別為卷積運算(Conv)、歸一化處理、激活函數(shù)以及池化操作(Polling)。前三層卷積使用最大池化層進行下采樣,同時為了保證輸出大小為指定的大小,第四層卷積使用自適應(yīng)最大池化層進行下采樣。

卷積操作的本質(zhì)是通過使用卷積核參數(shù)來提取輸入數(shù)據(jù)的特征,通過矩陣點乘運算與求和運算得到結(jié)果。卷積公式計算如下

(10)

在激活函數(shù)選擇上,傳統(tǒng)的sigmoid激活函數(shù)[19]和tanh激活函數(shù)[20]在深度神經(jīng)網(wǎng)絡(luò)中進行梯度反向傳遞時容易導致梯度爆炸,甚至梯度消失。因此所提方法選擇線性整流函數(shù) (rectified linear unit, Relu)[21]作為激活函數(shù),公式

(11)

通過卷積、歸一化和激活函數(shù)提取特征后,為了減少模型的計算量,選擇最大池化函數(shù)對提取的特征映射進行下采樣處理。處理完的多維特征需經(jīng)過Flatten操作進行平滑處理,將特征處理為一個可以輸出的特征向量,最后通過線性全連接層和瓶頸層實現(xiàn)隨機特征組合以方便分類器分類,并且采用Dropout 層減少模型參數(shù)和計算量來防止過擬合同時提升模型的泛化能力。最后,分類器由單獨的Softmax 函數(shù)構(gòu)成,模型預測結(jié)果的概率分布輸出為

(12)

模型最后的預測結(jié)果為

(13)

2 偽標簽驅(qū)動局部子空間對齊方法

源域數(shù)據(jù)預訓練的分類器為目標域樣本計算其屬于每一類的偽標簽概率分布,其偽標簽概率分布計算為

(14)

式中:G(·)為特征提取器;D(·)為瓶頸層。由式(9)可以計算LLMMD1,此時,zl為特征提取器和瓶頸層提取樣本的特征向量。

在通過余弦相似度為目標域計算樣本的偽標簽概率分布過程中,首先需要計算源域中每一類樣本在經(jīng)過特征提取器提取特征之后的樣本類中心。由于所提模型采用隨機選擇小批量樣本輸入,考慮到每個小批量選擇的樣本不一定覆蓋所有類,因此,在預訓練最后一次迭代過程中計算源域每一類樣本的全局類中心

(15)

(16)

式中,b為批量大小?？紤]到每個小批量不一定包括所有類,設(shè)置平衡參數(shù)μ來更新源域的類中心

(17)

(18)

(19)

(20)

由式(9)可以計算LLMMD2,此時,zl為特征提取器提取樣本的特征向量。

為了平衡兩種偽標簽概率分布在不同位置計算局部最大均值差異對模型收斂的影響,關(guān)鍵是如何分配兩者在模型訓練過程中的權(quán)重。通常情況下,多損失函數(shù)超參數(shù)的取值是由專家經(jīng)驗或試驗決定,然而,為了獲取最佳權(quán)重,在缺乏專家經(jīng)驗的條件下逐一進行試驗計算量巨大。因此,所提方法采用了一種簡單有效的動態(tài)平衡方法,在訓練過程中自適應(yīng)調(diào)整權(quán)重參數(shù),計算為

(21)

最后,該模型全局自適應(yīng)損失Ldlmmd改寫為

Ldlmmd=λLLMMD1+1(1-λ)LLMMD2

(22)

故式(4)可以改寫為

(23)

式(23)為子域自適應(yīng)損失以及分類損失的整體目標函數(shù),通過Adam算法進行整體優(yōu)化。

3 偽標簽驅(qū)動局部子空間對齊的跨域故障診斷過程

偽標簽驅(qū)動局部子空間對齊的跨域故障診斷模型輸入為:不同工況下的故障樣本即源域和目標域數(shù)據(jù)、批量大小n、最大迭代次數(shù)m和預訓練迭代次數(shù)v。模型的輸出為對輸入樣本的預測以及預測標簽和真實標簽之間的期望偏差,即故障診斷準確率。圖2為該故障診斷模型訓練流程圖,具體訓練過程描述如下:

圖2 故障診斷流程圖

步驟1提取不同工況下不同故障類型的原始信號,根據(jù)工況劃分為目標域和源域并按照比例劃分訓練集、驗證集和測試集。為了保證目標域標簽不泄露,在模型訓練過程中并不提供真實標簽,并且每次迭代都包含模型驗證過程。

步驟2首先使用源域有標簽數(shù)據(jù)預訓練迭代v個epoch(在預訓練過程中不計算偽標簽以及LMMD),在第v個epoch運行結(jié)束時輸出源域所有樣本經(jīng)過特征提取器提取的特征向量,然后根據(jù)全部特征向量計算每一類故障的全局類中心。在模型預訓練過程中,只通過式(6)采用Adam進行模型優(yōu)化,提高模型對跨域不變故障特征的識別能力。

步驟3在第v+1次迭代過程中,模型共享參數(shù),并且隨后每個小批量計算均更新源域的類中心。在目標域樣本經(jīng)過特征提取器提取特征后,計算該樣本與源域樣本每一類類中心的余弦相似度,并根據(jù)相似度值作為目標域的樣本屬于每一類的概率,合并為該樣本的偽標簽概率分布向量;聯(lián)合直接遷移分類器到目標域,根據(jù)分類器預測結(jié)果直接作為目標域樣本的偽標簽概率分布。此后每個小批量訓練過程中均計算兩種偽標簽概率分布。

步驟5判斷迭代次數(shù)是否達到設(shè)置的最大迭代次數(shù),若滿足條件,則結(jié)束訓練并輸出源域驗證集及目標域驗證集的故障診斷準確率。然后,將特征提取器、瓶頸層和分類器直接遷移到目標域為目標域的測試集樣本進行故障診斷,最后輸出測試集故障診斷準確率。

步驟6重復以上訓練過程若干次,取若干次訓練輸出的測試集故障診斷準確率,求平均值作為最終的故障診斷結(jié)果來評價模型的性能。

4 故障診斷實例

4.1 訓練參數(shù)設(shè)置

該方法通過Pytorch實現(xiàn),設(shè)置模型預訓練10個epoch,共迭代訓練100個epoch。在訓練過程中,模型訓練和測試交替進行。設(shè)置批量大小為n,優(yōu)化器為自適應(yīng)學習率優(yōu)化算法Adam算法。通過等間隔動態(tài)調(diào)整學習率,將學習率調(diào)整為lr,,其中初始學習率設(shè)置為0.001,=0.1,自適應(yīng)間隔為20個epoch。主干網(wǎng)絡(luò)主要參數(shù)如表1所示。

表1 主干網(wǎng)絡(luò)參數(shù)

4.2 公開數(shù)據(jù)集

凱斯西儲大學軸承數(shù)據(jù)中心提供的CWRU軸承數(shù)據(jù)集[22]被廣泛運用與智能故障診斷領(lǐng)域,因此選用該數(shù)據(jù)集來驗證所提方法的有效性。在試驗過程中采用驅(qū)動端軸承故障數(shù)據(jù),軸承型號為6203-2RS JEM SKF的深溝球軸承,采樣頻率為12 000 Hz。CWRU數(shù)據(jù)集存在四種不同的電機負載,因此根據(jù)4種不同負載,將樣本劃分4個不同的域,對應(yīng)不同的遷移學習任務(wù),如域0為源域,域3為目標域,遷移任務(wù)為0→3,共計設(shè)置遷移學習任務(wù)12個,具體設(shè)置如表2所示。

表2 遷移學習任務(wù)

表3中列出了軸承不同的故障狀態(tài),包括4種故障類型分別為正常軸承(NA)、內(nèi)圈故障(IF)、外圈故障(OF)和球故障(BF),以及4種故障尺寸0,0.177 8 mm,0.355 6 mm和0.533 4 mm,共分為10類(1種健康狀態(tài),9種故障狀態(tài))。

表3 軸承10種故障狀態(tài)

每個故障樣本由1 024個連續(xù)采樣數(shù)據(jù)構(gòu)成,不同類具有不同數(shù)量的故障樣本,作為故障診斷模型的原始數(shù)據(jù)集?？紤]到實際條件,不同工況數(shù)據(jù)采集量可能不一致,因此設(shè)置原始數(shù)據(jù)集樣本量在1 550～1 880。除此之外,正常軸承數(shù)據(jù)更易獲得,因此在總樣本中設(shè)置正常樣本數(shù)量為單一類故障樣本的3倍,即當樣本總量為1 800時,正常軸承樣本量為450,而每一類故障樣本數(shù)則為150。將原始數(shù)據(jù)集劃分為訓練集、驗證集和測試集,所占比率分別為0.6,0.2及0.2(樣本總量為1 800,則樣本量劃分訓練集1 080、驗證集360及測試集360)。訓練過程中,采用droplast剔除訓練樣本不足一個小批量的剩余樣本。

4.3 公開數(shù)據(jù)集結(jié)果對比分析

為了驗證所提方法的有效性及優(yōu)越性,以使用相同數(shù)據(jù)集、采用相同的訓練方法為基礎(chǔ),通過3種對比方法DANN、MK-MMD[23-24]和CORAL與本文提出的方法進行比較研究。比較遷移任務(wù)為0→3。訓練過程中設(shè)置批量大小n=64。根據(jù)目標域驗證樣本輸出分類準確率變化曲線,如圖3所示。

圖3 故障診斷準確率變化曲線

由圖3可知,基于距離度量的領(lǐng)域自適應(yīng)方法CORAL和MK-MMD收斂比較緩慢。在訓練數(shù)據(jù)較多的情況下,基于對抗的領(lǐng)域自適應(yīng)方法可以實現(xiàn)比較快速的收斂,然而這3種方法均只進行域?qū)R而忽略子類的細粒度信息,造成模型收斂不穩(wěn)定。相較于只考慮域級對齊的其他3種方法,所提方法能在偽標簽驅(qū)動的條件下充分利用了子類的細粒度信息,實現(xiàn)對齊域及子空間,保證了模型實現(xiàn)快速收斂,同時兼具穩(wěn)定性。

為了進一步驗證所提方法在12個故障診斷任務(wù)上的性能,采用在每個任務(wù)上對每種方法訓練5次取平均故障診斷準確率,并且每次迭代訓練100個epoch進行比較。12個任務(wù)的測試集總體故障診斷準確率對比結(jié)果如圖4所示。

圖4 12個任務(wù)總體準確率

由圖4可見,所提方法對于大部分遷移任務(wù),其故障診斷準確率明顯高于其他3種方法,最高達到100%,僅在任務(wù)3→1和1→3上,分類準確率略低于其他3種領(lǐng)域自適應(yīng)方法,具體數(shù)值如表4所示。

表4 各方法的平均故障診斷準確率

通過對任務(wù)3→1和任務(wù)1→3比較研究,不難發(fā)現(xiàn)在任務(wù)數(shù)據(jù)集間差異較大時,通過余弦相似度為目標域無標簽數(shù)據(jù)分配偽標簽的置信度仍然較低,從而產(chǎn)生錯分,可能是導致模型在任務(wù)3→1和1→3上故障診斷準確率略低的原因。

4.4 實驗室數(shù)據(jù)集

為了驗證所提方法的泛化性及穩(wěn)定性,進一步在實驗室條件下測得3組不同工況下的原始數(shù)據(jù),組合成6個故障診斷任務(wù)進行對比研究。3種不同工況如表5所示。

表5 3種不同工況

如圖5所示,采用3個加速度傳感器安裝在軸承座的3個不同位置,實現(xiàn)三通道采集滾動軸承振動信號,其中0通道位于12點鐘方向,1通道位于9點鐘方向,2通道位于3點鐘方向,采樣頻率為12 800 Hz,試驗對三通道采集數(shù)據(jù)進行故障特征融合即線性疊加。每種工況采集四組數(shù)據(jù),分別為正常軸承(NA)、內(nèi)圈故障(IF)、外圈故障(OF)以及球故障(BF),對應(yīng)的故障標簽分別為0,1,2,3。試驗軸承型號為N205M,故障尺寸為寬0.2 mm、深0.5 mm。

圖5 軸承故障信號采集試驗臺

4.5 實驗室數(shù)據(jù)集結(jié)果對比分析

為了驗證所提方法在工況差異較大且訓練樣本較少的情況下,也能獲得較高的故障診斷準確率,試驗設(shè)置1 024個連續(xù)采樣點構(gòu)成一個故障樣本,每一類故障取200個樣本,只設(shè)置訓練集和測試集,所占比例為0.25及0.75(訓練集每一類50個樣本,驗證集每一類150個樣本),訓練批量大小。與公開數(shù)據(jù)集試驗方法相同,每種方法在6個遷移學習任務(wù)上訓練5次取平均故障診斷準確率,對比結(jié)果如圖6所示。

圖6 實驗室數(shù)據(jù)集故障診斷準確率比較

圖6顯示,4種方法在無監(jiān)督限制樣本量的前提條件下,均具有較強的特征遷移學習能力。然而,在任務(wù)0→2和任務(wù)1→2上,由于工況差異較大且源域訓練樣本總量不足,對抗訓練不夠充分,致使MK-MMD算法的故障診斷準確率略高于DANN算法,但仍均低于所提方法。雖然所提方法在任務(wù)0→1,0→2及1→2上故障診斷準確率低于100.00%(分別為99.34%,96.33以及93.00%),但仍然高于其他3種方法,最低分別提高了0.26%、0.50%和0.83%。特別是在其余3個遷移任務(wù)上所提方法故障診斷準確率均達到了100.00%,充分證明了所提方法在該數(shù)據(jù)集上對所有的遷移任務(wù)都表現(xiàn)出了最好的泛化性和穩(wěn)定性。

為了進一步證明所提出方法在利用子類細粒度信息條件下,能夠更好地對齊源域和目標域的子空間,以遷移任務(wù)0→2為例,提取所提方法與其他3種方法在瓶頸層輸出的特征,通過t-SNE進行降維可視化。不同方法進行降維可視化結(jié)果如圖7所示。

圖7 特征可視化對比圖

相較于其他3種方法,所提方法充分利用了源域和目標域相同類別的細粒度特征信息,可以最大限度分離不同種類的樣本,從而使相同類別特征聚集更加緊密。此外,由4種方法特征可視化對比圖可見,在目標域有部分屬于內(nèi)圈故障(IF)標簽為1和部分屬于球故障(BF)標簽為3的樣本相互混疊,表明這兩種樣本的相似性比較大,所提出的方法也不能完全區(qū)分,這也是圖6所示在任務(wù)0→2上準確率未能達到100.00%的原因。

與特征可視化相同,以任務(wù)0→2為例采用混淆矩陣對所提方進行分析,圖8混淆矩陣顯示所提方法在對真實類3 (BF)進行預測時,將部分樣本錯分為預測類0 (NA)和1 (IF),這也與圖6和圖7的分析相吻合。通過混淆矩陣可以很明顯地看出,所提方法只在比較相似的正常軸承和球故障進行預測時出現(xiàn)錯分的比例比較大,而在其他幾類上能夠?qū)崿F(xiàn)最低99.33%的故障診斷準確率。對比其他3種領(lǐng)域自適應(yīng)方法得出的結(jié)果,充分證明所提方法具有更優(yōu)越的故障診斷能力。

圖8 混淆矩陣

5 結(jié) 論

提出一種偽標簽驅(qū)動局部子空間對齊的跨域故障診斷方法,利用生成偽標簽的方法彌補目標域樣本無可用標簽的缺陷。結(jié)合提取的特征和對應(yīng)的標簽概率分布,通過引入局部最大均值差異降低源域和目標域的分布差異,從而將更細粒度的特征信息應(yīng)用于故障診斷。通過對比試驗證明了所提方法能夠在考慮故障特征細粒度信息對齊相關(guān)子空間的基礎(chǔ)上,使模型收斂更加穩(wěn)定。利用寬卷積核卷積神經(jīng)網(wǎng)絡(luò)提取更深層故障特征,避免了人工提取故障特征需要專家經(jīng)驗的弊端。結(jié)合公開數(shù)據(jù)集和試驗條件下采集的數(shù)據(jù)集分析比較,證明了該方法具有收斂性佳、穩(wěn)定性強以及故障診斷準確率高等優(yōu)點,具有更高的實際應(yīng)用價值。