研究背景

机械故障诊断在现代工业中具有极其重要的地位和作用，它被广泛应用于各种领域，包括人造卫星、风力涡轮机和机械工程等。旋转机械作为工业设备的核心组成部分，其可靠性直接影响着能源消耗、维护成本和人类安全。

然而，旋转机械经常在恶劣的工作环境下运转，从而增加了机械故障的发生率，给企业带来了巨大的经济损失。因此，研究机械故障诊断技术具有极其重要的社会和经济意义。

从实际机械设备获取故障数据非常艰难，带标签的故障数据更是珍贵，利用已有故障数据进行外延性故障诊断分析势在必行。

研究问题

1旋转机械故障迁移诊断模型特征表达能力不足，诊断精度较低

2 现有的机械智能故障诊断方法通常假设训练和测试数据的分布一致，并且需要大量标注数据。然而，在不同工况下，数据分布会发生变化，同时获取足够的标签数据往往成本高且耗时长。

3 无监督多源域自适应近年来得到了深入研究，它为在目标数据集上没有标记的情况下处理故障诊断任务提供了一种很有前途的方法。大多数方法旨在学习共同特征空间中所有域的域不变特征。然而，处理涉及多源域之间相对较大偏移的情况具有挑战性。

研究目的

1 提出一种基于多视角卷积神经网络特征融合的机械故障迁移诊断方法，该方法可以增强卷积神经网络的特征表达能力，提高故障迁移诊断精度。

2 提出一种基于多表示混合卷积神经网络的无监督机械故障诊断方法，该方法可以提高单源域的故障迁移准确率，解决跨工况故障诊断问题。

3 提出一种基于全阈值残差网络的多源域自适应机械故障诊断方法，它能在特定的域特征空间中学习源域和目标域的特定域不变特征，该方法可以提高多源域的故障迁移准确率，进一步解决无监督跨工况故障诊断问题。

研究内容

研究计划

10.17-10.31 设计度量函数

11.01-11.14 完善仿真

11.15-11.22 完善论文（100%完成）