摘要：基于领域泛化的智能诊断方法已被广泛用于解决未知工作条件下的机械跨域诊断问题，然而现有的一些方法忽略了样本的不平衡性，致使诊断模型的精度下降。针对上述问题，提出一种新的基于领域泛化的智能诊断方法。首先通过短时傅里叶变化对原始数据进行处理；然后将故障领域特征分为域内特定特征和域间不变特征，分别使用蒸馏学习框架和平衡域类分布对齐的方法解决样本的不平衡性并进行提取。之后通过最大化两种特征的差异来正则化它们之间的距离以减少冗杂特征的干扰。最后将两种特征结合用于最终故障分类，完成诊断任务。使用四种机械故障数据集，将提出方法分别在同一数据集不同工况条件下和不同数据集间进行跨域诊断，并与其它方法比较，结果表明提出方法更好的克服了样本不平衡的影响，实现了对未知工作条件下机械的跨域智能故障诊断。
文章目录
1 基本原理
1.1 领域泛化
1.2 领域不变表征学习
2 提出的方法
2.1 问题定义
2.2 数据处理
2.3 特征提取
2.3.1 利用蒸馏学习域内特定特征
2.3.2 利用平衡域类分布对齐方法学习域间不变特征
2.3.3 域间不变特征和域内特定特征的纠缠
2.4 故障分类
3 实验与分析
3.1 数据集描述
3.2 比较的方法
3.3实验设置
3.3.1 同一故障数据集下不同工况间跨域诊断
3.3.2 不同故障数据集跨域诊断
3.4 实验结果与分析
3.4.1诊断结果分析
3.4.2 特征可视化
4 结论
