Page 161 - 《振动工程学报》2026年第3期

第 3 期 王亚萍，等： 多源域下 MAAN 与 MK-MMD 的滚动轴承跨工况复合故障诊断 761

在 MDMAAN 模型的诊断结果中仅有极少量的故
障类别被分错，且模型的聚类效果要好于其他模型。
因此证明了 MDMAAN 模型的稳定性和优越性。

5 结 论

针对滚动轴承故障诊断跨域引起的故障数据样
本分布不平衡，导致模型故障诊断精度低的问题，提
出了一种基于多源域、多头注意力自适应网络的深
度迁移学习故障诊断方法，通过对比不同模型，结果
表明，在同一网络参数下，MDMAAN 模型诊断精度
最佳，并验证了不同数据集下 MDMAAN 模型的有
效性。
（1）构建了由多头注意力与卷积神经网络相结
合的双重特征提取器进行二次特征提取，充分提取
了源域和目标域的关键特征，并利用多核最大均值
差异度量源域特征和目标域特征的相似性，搭建了
基于多源域多头注意力自适应网络模型，完成对滚
动轴承多源域跨工况复合故障的诊断。
（2）分析了不同迭代次数、不同卷积层、不同训
练批次以及不同源域数量对 MDMAAN 模型故障
图 18 MFSAN 模型结果
诊断的影响，确定了合适的模型参数。在不同源域
Fig. 18 MFSAN model results
数量的对比中，多源域输入的诊断精度要显著高于
单源域输入，基本超过 10%，证明了所提方法在多
源域下的有效性。
（3）采用 PU 数据集和故障试验台 BPS 数据集
验证了该模型的诊断精度，并与 CNN 模型、COR⁃
AL 模型和 MFSAN 模型进行对比，在 PU 数据集中
MDMAAN 模型相较于 CNN 模型、CORAL 模型和
MFSAN 模型分别提高了 12.74%、9.74% 和 4.62%；
在故障试验台 BPS 数据集中，MDMAAN 模型相较
于 CNN 模型、CORAL 模型和 MFSAN 模型分别提
高了 12.49%、13.05% 和 7.23%，证明了所提方法的
有效性。

参考文献:

［1］ ZHONG S S， FU S， LIN L. A novel gas turbine fault
diagnosis method based on transfer learning with CNN
［J］. Measurement， 2019， 137： 435-453.
［2］ GHIFARY M， KLEIJN W B， ZHANG M J. Domain
adaptive neural networks for object recognition［C］//
PRICAI 2014： Trends in Artificial Intelligence. PRIC⁃
AI 2014. Lecture Notes in Computer Science. Cham：
图 19 MDMAAN 模型结果 Springer， 2014， 8862： 898-904.
［3］ TZENG E， HOFFMAN J， ZHANG N， et al. Deep
Fig. 19 MDMAAN model results
Domain Confusion： Maximizing for Domain Invariance