关键词：智能故障诊断;无源域适应;新故障;自监督学习;迁移学习
摘 要：随着新一代人工智能技术的迅猛发展，数据驱动的智能故障诊断方法已经在机械装备中已取得广泛应用。智能诊断模型的高精度诊断通常依赖于大规模的已知标签数据。然而，机械装备在运行过程会发生不可预知的新故障，这使得已知故障数据训练的模型难以准确识别新出现的故障类型。此外，数据隐私保护限制着数据的可访问性，为诊断模型的域适应过程带来了巨大挑战。为此，提出一种基于无源自监督域适应的跨域新故障诊断方法，在源域数据仅参与模型预训练的情况下，实现对目标域中已知故障的精准分类和新故障的智能诊断。首先，利用带标签的源域样本预训练得到源域诊断模型；其次，利用基于不确定性熵的自监督伪标签技术筛选出高置信度的已知故障样本；最后，将目标域中带伪标签的已知故障样本与无标签的故障样本相结合，并通过对抗训练策略辨别新故障类型。利用实验室测试采集的汽车变速箱数据集开展跨域新故障诊断试验，对所提算法的有效性进行验证。试验结果表明，所提方法能够仅利用源域诊断模型和无标签目标域数据，在保障已知故障高精度诊断的同时，实现对目标域中新故障的精准诊断。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取