Page 109 - 《振动工程学报》2025年第11期

第 11 期 张宇腾，等：面向不同标签与域配置的统一跨域故障诊断方法 2567

真实类预测概率 其他类别预测概率
150 150 150
20th epoch 100th epoch 180th epoch
样本数 100 样本数 100 样本数 100

50
50
50
0 0 0
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
概率 概率 概率
(a) 传统分类范式+PCC
(a) Traditional classification paradigm+PCC
150 150 150
20th epoch 100th epoch 180th epoch
100 100 100
样本数 50 样本数 50 样本数 50

0 0 0
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
概率 概率 概率
(b) 所提方法
(b) The proposed method

图 11 所提方法在不同训练阶段的预测概率分布
Fig. 11 The distribution of predicted probability of proposed method in different epochs

working conditions[J]. Journal of Vibration Engineering，
4 结 论 2025，38（6）：1232-1241.

[2] 秦毅，杨瑞，赵丽娟，等. 面向轴承故障诊断的无监督噪
为解决现有跨域故障诊断方法仅适用于特定预 声自适应匹配追踪算法展开去噪网络 [J]. 机械工程学报，
设标签与域配置场景的局限性，本文提出一种面向 2025，61（12）：26-38.
不同标签与域配置的统一跨域故障诊断方法。该方 QIN Yi， YANG Rui， ZHAO Lijuan， et al. Unsupervised
法基于多场景共享假设，通过最小化分类器在目标 noise-adaptive unrolled matching pursuit denoising network
域 的 预 测 类 别 混 淆 偏 差， 实 现 多 场 景 跨 域 故 障 诊 for bearing fault diagnosis[J]. Journal of Mechanical Engineer-
断。为获取能真实反映类别不确定性的预测分布， ing，2025，61（12）：26-38.
构建了基于原型相似性的判别方法以正则化特征空 [3] 苗永浩，石惠芳，李晨辉，等. 周期精炼的最大相关峭度
间，提升分类鲁棒性。此外，为减轻过度自信的错误 解卷积在滚动轴承微弱故障特征提取中的应用 [J]. 振动工
预测对混淆估计的影响，设计了基于标签平滑的概 程学报，2025，38（6）：1317-1325.
MIAO Yonghao，SHI Huifang，LI Chenhui，et al. Period-
率校准机制，鼓励分类考虑更多候选类别。行星齿
refined maximum correlated kurtosis deconvolution method
轮箱传动系统数据集试验结果表明，所提方法在不
for weak fault feature extraction in rolling bearings[J]. Journal
同标签与域配置的跨域诊断任务中均展现出有效性
of Vibration Engineering，2025，38（6）：1317-1325.
与通用性。与各类场景特定跨域诊断方法相比，所
[4] LEI Z H，LI Z S，WEN G R，et al. SFUGDA：source-free
提统一跨域故障诊断方法仍能取得优异性能。
unsupervised multiscale graph domain adaptation network with
未来研究将进一步聚焦构建适用于时变工况跨
privacy-preserving for cross-domain fault diagnosis of offshore
域迁移场景的统一跨域故障诊断框架，尤其是针对 wind turbines[J]. Mechanical Systems and Signal Processing，
从固定工况到时变工况的跨域迁移诊断问题。 2025，235：112896.
[5] 林翠颖，陈科，吕宇璠，等. 元类增量迁移学习驱动的跨
参考文献： 域终身智能诊断方法 [J]. 振动工程学报，2025，38（6）：
1270-1279.
[1] 陈凯，丁传仓，王报祥，等. 面向变工况机械设备智能故 LIN Cuiying， CHEN Ke， LYU Yufan， et al. Meta-class-
障诊断的可解释三特征提取器迁移网络 [J]. 振动工程学 incremental transfer learning method for cross-domain life-
报，2025，38（6）：1232-1241. long intelligent diagnosis[J]. Journal of Vibration Engineer-
CHEN Kai， DING Chuancang， WANG Baoxiang， et al. ing，2025，38（6）：1270-1279.
Interpretable triple feature extractor transfer network for intel- [6] YANG B， LEI Y G， JIA F， et al. A polynomial kernel
ligent fault diagnosis of mechanical equipment under variable induced distance metric to improve deep transfer learning for