摘要
随着制造业信息化建设的逐步发展，机电装备也逐渐从信息化走向智能化。物联网技术为机电装备信息化和智能化提供了重要基础，机电装备在运行过程中产生的大量数据被监测分析。在大数据时代，面对越来越多的智能化装备逐渐累积的海量数据，研究智能故障诊断方法成为学术界和工业界研究热点。轴承作为机电设备典型核心零部件，对轴承的状态监测与故障诊断预警显得尤为重要。传统的轴承故障诊断方法往往是基于故障机理、信号处理和人工特征研究，这需要大量的专家经验。在机电装备运行实际中，存在着大量的不可控因素，这往往导致了诊断效率的低下和较低的诊断精度。随着机器学习技术和深度学习技术的不断兴起与发展，采用从数据本身来自动学习有效的特征表达的思想和方法提供了智能诊断研究的新思路。现有的轴承故障智能诊断方法研究主要针对轴承的单一故障，对轴承的多故障多工况的复杂情况研究较少，针对这一不足，本文主要研究了基于深度学习和迁移学习的轴承智能故障诊断方法，主要研究工作和成果归纳如下： （1）研究了深度卷积神经网络，根据其端到端的自动提取特征的特点，结合轴承原始振动信号，提出基于单通道深度卷积神经网络的轴承多故障诊断方法。为提高诊断精度，结合经验模态分解（EMD）等信号分析方法，更进一步地提出基于多通道深度卷积神经网络的轴承多故障诊断方法。为提高轴承多故障诊断精度提供解决方法。 （2）针对轴承的多故障和多工况复杂情况且深度神经网络泛化能力不够好的问题，提出采用迁移学习的思想方法，并结合现有深度迁移学习的研究，提出采用微调（fine-tune）和对抗迁移的方法来研究轴承的多工况和标记缺少问题，其中采用对抗迁移的方法无需目标领域标签，是一种半监督学习方法，这种方法在智能诊断算法实际应用中更加方便。 最后，根据以上几点研究内容，进行了总结与展望，为将来更进一步的深入研究提供了知识经验并归纳了未来研究的方向。
NETL