摘要：【目的】针对滚动轴承跨工况故障诊断中特征提取不充分及域间分布差异显著等问题，提出一种基于深度子域自适应和残差网络的跨域故障诊断方法。【方法】首先，将一维振动信号通过连续小波变换(CWT)转换成二维图像，有效保留故障信号的时频联合特征；其次，构建Resnet18网络架构，利用其残差连接结构和深度卷积特性，实现深层特征的稳定提取；然后，引入局部最大均值差异（LMMD）度量准则，通过源域与目标域间相关子域的对齐优化，缩小不同工况下的数据分布差异；同时，提出基于伪标签熵值的样本权重自适应机制，通过量化目标域样本的分类置信度，自适应调整样本在参与特征对齐过程中的重要性，有效抑制因错误标签信息累积而导致的负迁移问题。【结果】最后，经凯斯西储大学（CWRU）公开的轴承数据集上进行的多组跨工况迁移实验验证，所提方法的平均诊断正确率达到了98.45%。【结论】该方法提高了跨域故障诊断的准确率，在轴承故障诊断方面具有强大的优势和应用价值。
文章目录
1 引 言
2 相关理论
2.1 连续小波变换
2.2 域自适应
2.3 局部最大均值差异
3 故障诊断模型
3.1 故障识别模块
3.2 子域对齐模块
3.3 优化目标
3.4 故障诊断流程
4 实验与结果分析
4.1 数据集介绍
4.2 结果分析
4.3 消融实验
5 结 论
