Page 162 - 《振动工程学报》2026年第3期

762 振 动 工 程 学 报 第 39 卷

［J］. arxiv preprint arxiv：1412.3474， 2014. multi-source domain heterogeneous model transfer［J］.
［4］ LONG M， CAO Y， WANG J， et al. Learning transfer⁃ Journal of Vibration and Shock， 2023， 42（24） ：
able features with deep adaptation networks［C］// Inter⁃ 257-266.
national Conference on Machine Learning. 2015： ［11］ DE SANTANA CORREIA A， COLOMBINI E L.
97-105. Attention， please！ A survey of neural attention models
［5］ JIANG Y M， XIA T B， WANG D， et al. Joint adap⁃ in deep learning［J］. Artificial Intelligence Review，
tive transfer learning network for cross-domain fault di⁃ 2022， 55（8）： 6037-6124.
agnosis based on multi-layer feature fusion［J］. Neuro⁃ ［12］ WANG Y P， WANG J B， ZHANG S， et al. Remain⁃
computing， 2022， 487： 228-242. ing useful life prediction model for rolling bearings
［6］ HAN T， LIU C， YANG W G， et al. A novel adversar⁃ based on MFPE-MACNN［J］. Entropy， 2022， 24
ial learning framework in deep convolutional neural net⁃ （7）： 905.
work for intelligent diagnosis of mechanical faults［J］. ［13］ VASWANI A， SHAZEER N， PARMAR N， et al.
Knowledge-Based Systems， 2019， 165： 474-487. Attention is all you need［C］// Advances in Neural In⁃
［7］ 苏浩，杨鑫，向玲，等 . 基于深度对比迁移学习的变工况 formation Processing Systems 30 （NIPS 2017）. 2017，
下 机 械 故 障 诊 断［J］. 振 动 工 程 学 报 ， 2023， 36（3）： 30： 5998-6008.
845-853. ［14］ GRETTON A， BORGWARDT K， RASCH M， et
SU Hao， YANG Xin， XIANG Ling， et al. Mechanical al. A kernel method for the two-sample-problem［C］//
fault diagnosis using deep contrastive transfer learning Advances in Neural Information Processing Systems
under variable working conditions［J］. Journal of Vibra⁃ 19： Proceedings of the 2006 Conference. 2006， 19：
tion Engineering， 2023， 36（3）： 845-853. 513-520.
［8］ XIA Y， SHEN C Q， WANG D， et al. Moment match⁃ ［15］ GRETTON A， BORGWARDT K M， RASCH M J，
ing-based intraclass multisource domain adaptation net⁃ et al. A kernel two-sample test［J］. The Journal of Ma⁃
work for bearing fault diagnosis［J］. Mechanical Sys⁃ chine Learning Research， 2012， 13： 723-773.
tems and Signal Processing， 2022， 168： 108697. ［16］ LESSMEIER C， KIMOTHO J K， ZIMMER D， et al.
［9］ YE Z， YU J B. Deep negative correlation multisource Condition monitoring of bearing damage in electrome⁃
domains adaptation network for machinery fault diagno⁃ chanical drive systems by using motor current signals of
sis under different working conditions［J］. IEEE/ electric motors： a benchmark data set for data-driven
ASME Transactions on Mechatronics， 2022， 27（6）：
classification［C］// PHM Society European Confer⁃
5914-5925. ence. 2016.
［10］ 王玉静，夏林，康守强，等 . 基于多源域异构模型迁移
的滚动轴承故障诊断方法［J］. 振动与冲击， 2023， 42 第一作者: 王亚萍（1972―），女，博士，教授。
（24）： 257-266. E-mail： wypbl@163.com
WANG Yujing， XIA Lin， KANG Shouqiang， et al. A 通信作者: 江旭东（1977―），男，博士，讲师。
fault diagnosis method of rolling bearings based on E-mail： jxd_2023@163.com