多源領(lǐng)域自適應(yīng)的往復(fù)壓縮機(jī)在線診斷方法

摘要：在線數(shù)據(jù)的不可預(yù)知性導(dǎo)致往復(fù)壓縮機(jī)目前的診斷方法在實(shí)際應(yīng)用中的適應(yīng)性較差。為此，提出了一種多源領(lǐng)域自適應(yīng)的往復(fù)壓縮機(jī)在線診斷方法。該方法通過(guò)多源領(lǐng)域自適應(yīng)學(xué)習(xí)，利用多個(gè)源域建立預(yù)訓(xùn)練診斷模型并保存模型參數(shù)。通過(guò)在線遷移學(xué)習(xí)，將多個(gè)源域共享的模型參數(shù)遷移至目標(biāo)域，并在訓(xùn)練過(guò)程中執(zhí)行在線學(xué)習(xí)任務(wù)，通過(guò)線上反饋的數(shù)據(jù)調(diào)整診斷模型。診斷模型在保留已學(xué)到知識(shí)的基礎(chǔ)上，可在線處理目標(biāo)域新增數(shù)據(jù)，能成功應(yīng)對(duì)數(shù)據(jù)的不可預(yù)知性，提高了該診斷方法在實(shí)際應(yīng)用中的適應(yīng)性。試驗(yàn)結(jié)果表明，在源域數(shù)量為3時(shí)，所提方法在2個(gè)場(chǎng)景下在線遷移學(xué)習(xí)診斷效果較好，平均準(zhǔn)確率達(dá)到90%以上。研究結(jié)論可為往復(fù)壓縮機(jī)在線診斷提供新思路。

關(guān)鍵詞：往復(fù)壓縮機(jī)；多源領(lǐng)域自適應(yīng)；遷移學(xué)習(xí)；診斷模型；數(shù)據(jù)遷移

中圖分類號(hào)：TE93

文獻(xiàn)標(biāo)識(shí)碼：A

202402064

Online Diagnosis Method for Reciprocating Compressor Based on

Multi-Source Domain Adaptation

Duan Lixiang1，2 Zhang Lijun3 Fan Xiaoxuan1，2 Li Xingtao4 Yu Shengyang4

（1.College of Safety and Ocean Engineering，China University of Petroleum （Beijing）；2.Key Laboratory of Oil amp; Gas Production Safety and Emergency Technology，Ministry of Emergency Management；3.Daqing Oilfield Design Institute Co.，Ltd.；4.China National Oil and Gas Exploration and Development Corporation）

The unpredictability of online data leads to poor adaptability of existing diagnosis methods for reciprocating compressors in practical application.This paper presents an online diagnosis method for reciprocating compressor based on multi-source domain adaptation.By means of multi-source domain adaptation learning，this method uses multiple source domains to build a pre-trained diagnosis model and save model parameters.Through online transfer learning，the model parameters shared by multiple source domains are transferred to the target domain，and online learning tasks are executed during the training process.Then，the diagnosis model is adjusted using the online feedback data.The diagnosis model processes new data in the target domain online while retaining the learnt knowledge，and can effectively deal with the unpredictability of the data，making the method more adaptable in practical applications.The test results show that，given 3 source domains，the proposed method is well performed in online transfer learning diagnosis in two scenarios，with an average accuracy of over 90%.The research conclusions provide new ideas for online diagnosis of reciprocating compressors.

reciprocating compressor；multi-source domain adaptation；transfer learning；diagnosis model；data transfer

0 引 言

往復(fù)壓縮機(jī)設(shè)備在線獲取的數(shù)據(jù)以數(shù)據(jù)流（即序列數(shù)據(jù)）的形式產(chǎn)生，具有不可預(yù)知性［1］。更進(jìn)一步地，往復(fù)壓縮機(jī)作為變工況設(shè)備，復(fù)雜的工況變化將導(dǎo)致數(shù)據(jù)呈現(xiàn)差異分布的特點(diǎn)［2］，加劇了數(shù)據(jù)的不可預(yù)知性。在線數(shù)據(jù)的不可預(yù)知性導(dǎo)致目前的診斷方法在實(shí)際應(yīng)用中的適應(yīng)性較差［3-4］。因此，如何應(yīng)對(duì)在線數(shù)據(jù)的不可預(yù)知性，即如何減少分布差異，并利用復(fù)雜工況下的在線數(shù)據(jù)訓(xùn)練模型，成為推動(dòng)往復(fù)壓縮機(jī)故障診斷進(jìn)一步發(fā)展的關(guān)鍵。

遷移學(xué)習(xí)可以獲得源域和目標(biāo)域共享的潛在知識(shí)，進(jìn)而提取域不變特征［5］，減小數(shù)據(jù)分布差異。在早期研究中，遷移學(xué)習(xí)研究學(xué)者提出了遷移成分分析［6］、聯(lián)合分布適配［7］等方法，這些方法主要是對(duì)人工提取的特征進(jìn)行遷移學(xué)習(xí)，整個(gè)過(guò)程耗時(shí)費(fèi)力，且多依靠經(jīng)驗(yàn)，面對(duì)日益激增的數(shù)據(jù)量，傳統(tǒng)的遷移學(xué)習(xí)方法已不再滿足工業(yè)大數(shù)據(jù)的需求。

隨著遷移學(xué)習(xí)的發(fā)展，深度遷移學(xué)習(xí)模型通過(guò)添加領(lǐng)域自適應(yīng)層達(dá)到了更好的網(wǎng)絡(luò)遷移效果。這些模型包括深度域混淆網(wǎng)絡(luò)［8］和深度適配網(wǎng)絡(luò)［9］，它們?cè)诰W(wǎng)絡(luò)分類器前一層加入了最大均值差異（Maximum Mean Discrepancy，MMD）或多內(nèi)核最大均值差異（Multi-kernel Maximum Mean Discrepancy，MK-MMD）度量準(zhǔn)則進(jìn)行領(lǐng)域適配。傳統(tǒng)的領(lǐng)域自適應(yīng)一般是指單源領(lǐng)域自適應(yīng)，只涉及一個(gè)源域，而實(shí)際應(yīng)用中大多是多源域問(wèn)題，即通過(guò)多個(gè)源域來(lái)輔助目標(biāo)域的分類，因此多源領(lǐng)域自適應(yīng)逐步發(fā)展成為遷移學(xué)習(xí)領(lǐng)域的一個(gè)新方向。

上述離線訓(xùn)練方式的遷移學(xué)習(xí)方法雖能減小數(shù)據(jù)分布差異，但其應(yīng)用的一個(gè)重要前提是目標(biāo)域數(shù)據(jù)的可預(yù)知性，即在診斷模型建立前已準(zhǔn)備好全部的目標(biāo)域數(shù)據(jù)。然而在實(shí)際情況中，現(xiàn)場(chǎng)設(shè)備在線獲取的數(shù)據(jù)以數(shù)據(jù)流的形式產(chǎn)生，待分類目標(biāo)域的數(shù)據(jù)按照序列數(shù)據(jù)的方式到達(dá)，無(wú)法滿足目標(biāo)域數(shù)據(jù)的可預(yù)知性，因此，離線訓(xùn)練方式的遷移學(xué)習(xí)算法將不再適用。

在線學(xué)習(xí)（Online Learning，OL）在處理在線診斷的問(wèn)題上具有一定的優(yōu)勢(shì)［10］。OL作為一種模型訓(xùn)練方法，在保留絕大多數(shù)歷史知識(shí)的前提下，利用復(fù)雜工況下的在線數(shù)據(jù)訓(xùn)練模型，不斷地從新樣本中學(xué)習(xí)新知識(shí)，并根據(jù)線上反饋的信息，實(shí)時(shí)快速地調(diào)整模型，使得更新后的知識(shí)適應(yīng)新到達(dá)的樣本，從而能夠應(yīng)對(duì)數(shù)據(jù)的不可預(yù)知性。OL目前已經(jīng)在很多領(lǐng)域展示了它的有效性，如圖像識(shí)別、語(yǔ)音識(shí)別和人機(jī)交互等領(lǐng)域［11，12］。

綜上所述，筆者提出一種多源領(lǐng)域自適應(yīng)的遷移診斷模型，以減少數(shù)據(jù)分布差異。同時(shí)引入在線學(xué)習(xí)思想，利用在線數(shù)據(jù)訓(xùn)練模型。將兩方面結(jié)合，提出多源領(lǐng)域自適應(yīng)的在線診斷方法（Online diagnosis of Multiple source domains of ResNet17 embedded Convolutional block attention module，OMRC17），以應(yīng)對(duì)在線數(shù)據(jù)的不可預(yù)知性，解決往復(fù)壓縮機(jī)目前的診斷方法在實(shí)際應(yīng)用中適應(yīng)性差的問(wèn)題。通過(guò)仿真場(chǎng)景和試驗(yàn)場(chǎng)景下的多個(gè)源域（即多種工況）數(shù)據(jù)，研究從仿真到試驗(yàn)場(chǎng)景，再?gòu)脑囼?yàn)到仿真場(chǎng)景的雙向在線遷移診斷，以驗(yàn)證OMRC17的在線診斷效果。

1 多源領(lǐng)域自適應(yīng)的在線診斷方法

為應(yīng)對(duì)在線數(shù)據(jù)的不可預(yù)知性，提出多源領(lǐng)域自適應(yīng)的在線診斷方法（OMRC17），其體系結(jié)構(gòu)如圖1所示。

建立遷移診斷模型，在集成CBAM（Convolutional Block Attention Module）注意力機(jī)制的ResNet17模型［13］研究基礎(chǔ)上，在分類器前加入MK-MMD層，將源域和目標(biāo)域樣本特征映射到再生核希爾伯特空間（Reproducing Kernel Hilbert Space，RKHS）中進(jìn)行度量，減少源域和目標(biāo)域特征之間的分布差異。MK-MMD度量［14］采用多個(gè)核去構(gòu)造總的核，效果優(yōu)于單核MMD。在RKHS中，源域和目標(biāo)域的2個(gè)概率分布的均值的距離D2k（p，q）表達(dá)式為：

D2kp，q=Epφxi-Eqφyi2Hk（1）

式中：xi為源域Ds樣本，xi∈{x1，x2，…，xns}，服從分布p；yi∈{y1，y2，…，ynt}，為目標(biāo)域Dt樣本，服從分布q；φ（·）是特征映射函數(shù)；Hk表示距離，是由φ（·）將數(shù)據(jù)映射到RKHS中進(jìn)行度量而得；Ep（·）、Eq（·）代表源域和目標(biāo)域分布的數(shù)據(jù)期望值。為了增強(qiáng)核的靈活性，MK-MMD將函數(shù)k定義為多個(gè)核函數(shù)的加權(quán)組合，則有：

k=∑mu=1βuku，βu≥0（2）

式中：ku為第u個(gè)核，m為核函數(shù)的總數(shù)量，βu為權(quán)重。

基于上述遷移診斷模型，引入多源領(lǐng)域自適應(yīng)和在線學(xué)習(xí)思想，構(gòu)建多源領(lǐng)域自適應(yīng)的在線診斷方法（OMRC17）。多源領(lǐng)域自適應(yīng)方法是遷移學(xué)習(xí)中的一個(gè)新方向，涉及多個(gè)源域；在線學(xué)習(xí)通過(guò)接收到的新數(shù)據(jù)及時(shí)更新模型，適用于數(shù)據(jù)流式傳輸?shù)膯?wèn)題。

通過(guò)引入多源領(lǐng)域自適應(yīng)方法，OMRC17同時(shí)將多個(gè)源域的知識(shí)遷移到目標(biāo)域中輔助目標(biāo)域的學(xué)習(xí)。模型中的相關(guān)符號(hào)定義如下：多源域（multiple source domains）為S1，S2，…，SM，其中M表示源域的總個(gè)數(shù)；

源域樣本為Xi=xjiNij=1和Yi=yjiNij=1；目標(biāo)域樣本為XT=xjTNTj=1和YT=yjTNTj=1。其中：Xi為第i個(gè)源域數(shù)據(jù)；Yi為Xi對(duì)應(yīng)的標(biāo)簽；xji為第i個(gè)源域中第j個(gè)樣本；yji為xji對(duì)應(yīng)標(biāo)簽；XT為目標(biāo)域數(shù)據(jù)；YT為XT對(duì)應(yīng)標(biāo)簽；Ni為第i個(gè)源域中樣本個(gè)數(shù)；NT為目標(biāo)域第j個(gè)樣本個(gè)數(shù)；xjT為目標(biāo)域中第j個(gè)樣本；yjT為xjT對(duì)應(yīng)標(biāo)簽。

通過(guò)引入在線學(xué)習(xí)思想，OMRC17改進(jìn)了傳統(tǒng)離線遷移方法，通過(guò)新增數(shù)據(jù)實(shí)現(xiàn)模型的實(shí)時(shí)學(xué)習(xí)和適應(yīng)性調(diào)整。模型中參數(shù)的在線更新過(guò)程如下：

依據(jù)遷移策略，進(jìn)行單一場(chǎng)景和不同場(chǎng)景下多個(gè)源域在線遷移診斷試驗(yàn)，將多個(gè)源域數(shù)據(jù)集輸入OMRC17，而目標(biāo)域在線數(shù)據(jù)（即序列數(shù)據(jù)）則實(shí)時(shí)流入OMCR17，從而調(diào)整模型并在線更新。網(wǎng)絡(luò)參數(shù)設(shè)置如下：輸入圖像尺寸大小為96×96×3像素，源域批量大小為16樣本/批次，目標(biāo)域批量大小為1樣本/批次，迭代200次，損失函數(shù)為交叉熵?fù)p失。優(yōu)化器采用Adam加速網(wǎng)絡(luò)訓(xùn)練，學(xué)習(xí)率LR為0.001，動(dòng)量參數(shù)β默認(rèn)大小為0.9和0.999。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，為防止準(zhǔn)確率出現(xiàn)震蕩，采用等間隔學(xué)習(xí)率下降法調(diào)整學(xué)習(xí)率，網(wǎng)絡(luò)每迭代7次，學(xué)習(xí)率衰減為原來(lái)的1/10。

2 試驗(yàn)研究

2.1 數(shù)據(jù)來(lái)源

數(shù)據(jù)來(lái)源于往復(fù)壓縮機(jī)動(dòng)力學(xué)仿真數(shù)據(jù)［13］和往復(fù)壓縮機(jī)試驗(yàn)數(shù)據(jù)，以及改進(jìn)的深度卷積生成對(duì)抗網(wǎng)絡(luò)生成的數(shù)據(jù)［15］，狀態(tài)類型包括正常、十字頭間隙、連桿裂紋以及曲軸間隙故障4種。其中往復(fù)壓縮機(jī)仿真數(shù)據(jù)和試驗(yàn)數(shù)據(jù)為2個(gè)場(chǎng)景下的數(shù)據(jù)集，涉及多工況、多故障大量歷史仿真和試驗(yàn)數(shù)據(jù)，其中改進(jìn)的深度卷積生成對(duì)抗網(wǎng)絡(luò)生成數(shù)據(jù)與試驗(yàn)數(shù)據(jù)為同一場(chǎng)景數(shù)據(jù)，其目的是補(bǔ)充試驗(yàn)故障小樣本數(shù)據(jù)，均衡數(shù)據(jù)集。定義單一工況下的多故障數(shù)據(jù)樣本為一個(gè)源域樣本，多個(gè)工況下的多故障數(shù)樣本為多源域樣本，以數(shù)據(jù)流形式的單一工況多故障數(shù)據(jù)樣本為目標(biāo)域樣本。

本節(jié)選取仿真和試驗(yàn)數(shù)據(jù)中6個(gè)工況下的數(shù)據(jù)。每一種工況數(shù)據(jù)為一個(gè)特定的數(shù)據(jù)集，命名規(guī)則如下：設(shè)置仿真數(shù)據(jù)集編號(hào)為A、B、C，試驗(yàn)數(shù)據(jù)集編號(hào)為G、H、I，詳細(xì)內(nèi)容如表1所示。

在表1中，仿真數(shù)據(jù)有3個(gè)工況，每個(gè)工況下均采用1組正常和3組故障數(shù)據(jù)，故障類型包括十字頭間隙0.3 mm、連桿裂紋1.6 mm以及曲軸間隙0.31 mm；每種狀態(tài)下樣本數(shù)量為101，單一工況下樣本數(shù)量為404，3種工況下仿真數(shù)據(jù)集共有1 212組。同理，試驗(yàn)數(shù)據(jù)集也有1 212組。

2.2 遷移策略

本試驗(yàn)中設(shè)計(jì)3種遷移策略，分別是采用1個(gè)源域遷移、2個(gè)源域遷移和3個(gè)源域遷移。獲取離線狀態(tài)某些工況下振動(dòng)信號(hào)作為源域；獲取其他工況下的振動(dòng)信號(hào)作為目標(biāo)域，并將目標(biāo)域批量大小設(shè)置為1樣本/批次，表示數(shù)據(jù)一個(gè)一個(gè)地輸入到網(wǎng)絡(luò)中，以模擬數(shù)據(jù)流場(chǎng)景，以實(shí)現(xiàn)數(shù)據(jù)實(shí)時(shí)、在線遷移診斷。具體試驗(yàn)如下。

（1）1個(gè)源域遷移策略：同一場(chǎng)景下仿真數(shù)據(jù)單一工況樣本遷移、試驗(yàn)數(shù)據(jù)單一工況樣本遷移。

（2）2個(gè)源域遷移策略：同一場(chǎng)景下仿真數(shù)據(jù)2個(gè)工況樣本遷移、試驗(yàn)數(shù)據(jù)2個(gè)工況樣本遷移。

（3）3個(gè)源域遷移策略：同一場(chǎng)景下仿真數(shù)據(jù)3個(gè)工況樣本遷移、試驗(yàn)數(shù)據(jù)3個(gè)工況樣本遷移；2個(gè)場(chǎng)景下仿真數(shù)據(jù)3個(gè)工況樣本向試驗(yàn)數(shù)據(jù)遷移、試驗(yàn)數(shù)據(jù)3個(gè)工況樣本向仿真數(shù)據(jù)遷移。

2.3 試驗(yàn)結(jié)果

（1）同一場(chǎng)景下1個(gè)源域遷移試驗(yàn)中，仿真數(shù)據(jù)遷移試驗(yàn)結(jié)果如表2所示。試驗(yàn)數(shù)據(jù)遷移結(jié)果如表3所示。

在表2中，AB表示源域數(shù)據(jù)集A（工況100 r/min-34 473.8 Pa）向目標(biāo)域數(shù)據(jù)集B（工況100 r/min-68 947.6 Pa）遷移。表3中遷移試驗(yàn)均以前者為源域，后者為目標(biāo)域。從表2、表3可以看出，在1個(gè)源域遷移策略中，各方法準(zhǔn)確率變化范圍為OTL_ResNet50的平均準(zhǔn)確率為79.54%，OTL_ResNet17的平均準(zhǔn)確率為83.65%，OMRC17的平均準(zhǔn)確率為89.85%。試驗(yàn)結(jié)果表明，OMRC17在1個(gè)源域在線遷移時(shí)表現(xiàn)較好。

（2）在同一場(chǎng)景下2個(gè)源域遷移試驗(yàn)中，仿真和試驗(yàn)數(shù)據(jù)遷移試驗(yàn)結(jié)果如表4和表5所示。

在表4中，A、BC表示源域數(shù)據(jù)集A、B向目標(biāo)域數(shù)據(jù)集C遷移。表5中其他遷移試驗(yàn)同理，均以前者為源域，后者為目標(biāo)域。從表4、表5可以看出，仿真數(shù)據(jù)和試驗(yàn)數(shù)據(jù)在2個(gè)源域遷移策略中平均準(zhǔn)確率為91.88%，比1個(gè)源域遷移效果好，高出2.03個(gè)百分點(diǎn)。

（3）以上試驗(yàn)均在同一場(chǎng)景下進(jìn)行，故數(shù)據(jù)分布差異小。為此，在2個(gè)場(chǎng)景下進(jìn)行仿真至試驗(yàn)、從試驗(yàn)到仿真的雙向3個(gè)源域在線遷移診斷試驗(yàn)，結(jié)果如表6和表7所示。

在表6中，A、B、CG表示源域數(shù)據(jù)集A、B、C向目標(biāo)域數(shù)據(jù)集G遷移。表7中其余遷移試驗(yàn)同表6，均以前者為源域，后者為目標(biāo)域。從表6、表7可以看出，2個(gè)場(chǎng)景下的雙向3個(gè)源域在線遷移診斷平均準(zhǔn)確率達(dá)到91.55%。雖然比同一場(chǎng)景下多源在線遷移平均準(zhǔn)確率低了0.33個(gè)百分點(diǎn)，但是在不同場(chǎng)景下模擬多源在線遷移診斷試驗(yàn)更具有真實(shí)性、合理性，更能滿足現(xiàn)場(chǎng)實(shí)際需求。OMRC17充分利用了數(shù)據(jù)分布差異較大但相似的多個(gè)源域數(shù)據(jù)，建立了預(yù)訓(xùn)練的診斷模型。在此基礎(chǔ)上，又模擬了2個(gè)場(chǎng)景下的數(shù)據(jù)流實(shí)時(shí)監(jiān)測(cè)情況，通過(guò)在線學(xué)習(xí)處理新增數(shù)據(jù)樣本，更新目標(biāo)域模型，最終得到了具有較高準(zhǔn)確率的故障診斷模型。

2.4 特征可視化

利用t-SNE方法對(duì)OMRC17進(jìn)行特征可視化展示，如圖2所示。

在圖2中，菱形表示正常，圓圈表示十字頭間隙故障，三角形表示曲軸間隙故障，五角星表示連桿裂紋，每種形狀的不同顏色代表不同的域。從圖2可以看出：在同一場(chǎng)景下1個(gè)源域在線遷移時(shí)，OMRC17提取的特征表現(xiàn)較好；隨著源域數(shù)量的增加，當(dāng)源域數(shù)量為2時(shí)，十字頭間隙故障和正?？梢酝耆珠_(kāi)，比1個(gè)源域提取特征表現(xiàn)的效果好；當(dāng)源域數(shù)量為3時(shí)，4種狀態(tài)類型都能明顯分開(kāi)，表現(xiàn)出類內(nèi)聚斂、類間分離的特性。

3 結(jié) 論

提出了多源領(lǐng)域自適應(yīng)的往復(fù)壓縮機(jī)在線診斷方法（OMRC17），成功應(yīng)對(duì)了數(shù)據(jù)的不可預(yù)知性，提高了往復(fù)壓縮機(jī)故障診斷方法在實(shí)際應(yīng)用中的適應(yīng)性。

（1）引入多源領(lǐng)域自適應(yīng)方法，并在分類器前加入MK-MMD度量準(zhǔn)則，選擇多個(gè)源域和目標(biāo)域中具有共同域特征的數(shù)據(jù)進(jìn)行有效的遷移學(xué)習(xí)，明顯減少源域和目標(biāo)域的數(shù)據(jù)分布差異，緩解了由異分布帶來(lái)的數(shù)據(jù)不可預(yù)知性，提高了OMRC17的遷移診斷能力。

（2）充分利用多個(gè)源域的數(shù)據(jù)對(duì)OMRC17進(jìn)行訓(xùn)練，并將目標(biāo)域模擬成數(shù)據(jù)流形式，充分利用復(fù)雜工況下的在線數(shù)據(jù)實(shí)現(xiàn)OMRC17的實(shí)時(shí)學(xué)習(xí)和適應(yīng)性調(diào)整。

（3）制定遷移策略，實(shí)現(xiàn)從仿真到試驗(yàn)場(chǎng)景、從試驗(yàn)到仿真場(chǎng)景的雙向多源在線遷移診斷。試驗(yàn)結(jié)果表明：當(dāng)源域數(shù)量為3時(shí)，OMRC17在2個(gè)場(chǎng)景下在線遷移學(xué)習(xí)診斷效果較好，平均準(zhǔn)確率達(dá)到90%以上，驗(yàn)證了所提方法的有效性和優(yōu)越性。

參考文獻(xiàn)［1］ 呂丞輝，程進(jìn)軍，胡陽(yáng)光，等．基于多源域深度遷移學(xué)習(xí)的舵機(jī)在線故障診斷［J］．兵器裝備工程學(xué)報(bào)，2022，43（9）：60-67．

LYU C H，CHENG J J，HU Y G，et al.Online fault diagnosing of rudders based on multi-source domain deep transfer learning［J］.Journal of Ordnance Equipment Engineering，2022，43（9）：60-67.

［2］ 洪曉翠，段禮祥，徐繼威，等．變工況下軸承故障的殘差對(duì)抗網(wǎng)絡(luò)診斷方法［J］．石油機(jī)械，2022，50（5）：32-42．

HONG X C，DUAN L X，XU J W，et al.Residual adversarial neural network diagnosis method for bearing faults under variable working conditions［J］.China Petroleum Machinery，2022，50（5）：32-42.

［3］ 張宏樂(lè)，韓雪華，史凱，等．基于深度遷移學(xué)習(xí)的提升機(jī)主軸故障在線診斷系統(tǒng)研究［J］．煤炭工程，2022，54（7）：61-66．

ZHANG H L，HAN X H，SHI K，et al.Online fault diagnosis system of hoist bearing based on deep transfer learning［J］.Coal Engineering，2022，54（7）：61-66.

［4］ ZHOU Y X，DONG Y N，TANG G.Time-varying online transfer learning for intelligent bearing fault diagnosis with incomplete unlabeled target data［J］.IEEE Transactions on Industrial Informatics，2023，19（6）：7733-7741.

［5］ 陳纖，鄒龍慶，李明磊，等．基于聯(lián)合對(duì)抗深度遷移的軸承故障診斷方法［J］．石油機(jī)械，2023，51（8）：100-107．

CHEN Q，ZOU L Q，LI M L，et al.Rolling bearing fault diagnosis based on joint adversarial deep transfer learning［J］.China Petroleum Machinery，2023，51（8）：100-107.

［6］ PAN S J，TSANG I W，KWOK J T，et al.Domain adaptation via transfer component analysis［J］.IEEE Transactions on Neural Networks/a Publication of the IEEE Neural Networks Council，2011，22（2）：199-210.

［7］ 汪超，王波，張猛，等．聯(lián)合分布自適應(yīng)對(duì)抗網(wǎng)絡(luò)故障診斷方法［J］．機(jī)械科學(xué)與技術(shù)，2024：1-10（2023-12-25）．https：∥doi.org/10.13433/j.cnki.1003-8728.20230381．

WANG C，WANG B，ZHANG M，et al.Joint distribution adaptive adversarial network fault diagnosis method［J］.Mechanical Science and Technology for Aerospace Engineering，2024：1-10.（2023-12-25） .https：∥doi.org/10.13433/j.cnki.1003-8728.20230381.

［8］ TZENG E，HOFFMAN J，ZHANG N，et al.Deep domain confusion：maximizing for domain invariance［DB/OL］.arXiv，2014（2014-12-10） .https：∥arxiv.org/abs/1412.3474.

［9］ 邢展，易彩，林建輝．稀疏性多源完全領(lǐng)域適配遷移診斷方法研究［J］．鐵道科學(xué)與工程學(xué)報(bào)，2023，20（11）：4438-4450．

XING Z，YI C，LIN J H.Sparse multi-source entire domain adaptation transfer diagnosis method［J］.Journal of Railway Science and Engineering，2023，20（11）：4438-4450.

［10］ WU Q Y，WU H R，ZHOU X M，et al.Online transfer learning with multiple homogeneous or heterogeneous sources［J］.IEEE Transactions on Knowledge and Data Engineering，2017，29（7）：1494-1507.

［11］ 蔣曉玲，吳映波，陳蒙，等．基于跨域結(jié)構(gòu)保持投影的異構(gòu)在線多源遷移學(xué)習(xí)方法［J］．電子學(xué)報(bào)，2023，51（8）：1983-1994．

JIANG X L，WU Y B，CHEN M，et al.Heterogeneous online multi-source transfer learning with cross-domain structure preserving projection［J］.Acta Electronica Sinica，2023，51（8）：1983-1994.

［12］ WANG D，VIPPERLA R，EVANS N，et al.Online non-negative convolutive pattern learning for speech signals［J］.IEEE Transactions on Signal Processing，2013，61（1）：44-56.

［13］ ZHANG L J，DUAN L X.Cross-scenario transfer diagnosis of reciprocating compressor based on CBAM and ResNet［J］.Journal of Intelligent amp; Fuzzy Systems，2022，43（5）：5929–5943.

［14］ GRETTON A，SEJDINOVIC D，STRATHMANN H，et al.Optimal kernel choice for largescale two-sample tests［J］.In Advances in Neural Information Processing Systems，2012：1205-1213.

［15］ ZHANG L J，DUAN L X，HONG X C，et al.Imbalanced data enhancement method based on improved DCGAN and its application［J］.Journal of Intelligent amp; Fuzzy Systems，2021，41（2）：3485–3498.

第一段禮祥，教授，博士生導(dǎo)師，生于1969年，2005年畢業(yè)于中國(guó)石油大學(xué)（北京）機(jī)械設(shè)計(jì)及理論專業(yè)，獲博士學(xué)位，現(xiàn)從事油氣設(shè)備安全監(jiān)測(cè)與智能診斷研究工作。地址：（102249）北京市昌平區(qū)。電話：（010）89733406。email：duanlx@cup.edu.cn。

通信作者：樊曉萱，在讀博士研究生。email：2018010731@student.cup.edu.cn。2024-02-222024-05-11楊曉峰