在工业设备中，滚动轴承如同“关节”般关键，一旦故障可能导致生产效率骤降甚至严重事故。然而，在变工况环境下，数据分布不一致和故障边界的模糊样本常导致误判。近期，武汉科技大学徐增兵团队在《Frontiers of Mechanical Engineering》发表研究，提出一种基于加权判别联合概率最大均值差异（WDJP-MMD）的深度迁移度量学习模型，显著提升了轴承故障诊断的准确性与鲁棒性。

传统方法的局限与创新突破

传统故障诊断方法依赖欧氏距离衡量样本相似性，难以有效区分故障边界模糊的样本。而迁移学习中的经典域适应方法（如MMD、JMMD）仅关注同类样本的跨域迁移，忽略了不同类样本的可区分性。研究团队发现，尽管判别联合概率最大均值差异（DJP-MMD）能同时提升跨域同类样本的迁移性和异类样本的区分度，但其未考虑不同故障类别自身的迁移能力差异。为此，团队引入加权DJP-MMD，为每个故障类别分配动态权重，进一步优化跨域知识迁移。

技术核心：Yu范数相似性与WDJP-MMD的融合

该模型创新性地将模糊数学中的Yu范数相似性替代欧氏距离，通过T范数与S范数的组合计算样本相似性，更适应模糊边界样本的分类。例如，对于故障特征相近的“中度内圈故障”与“严重滚动体故障”，Yu范数能通过非线性映射捕捉其细微差异，而欧氏距离易将其误判为同一类。

同时，WDJP-MMD通过最小化跨域同类样本的联合概率差异、最大化异类样本差异，并结合权重调整，使模型在变工况下仍保持高精度。实验显示，在六种跨工况诊断任务中，该模型平均准确率达92.48%，较传统方法（如TCA+DBN的32.55%）提升显著。

实验验证：抗噪能力与泛化性双优

团队采用意大利都灵理工大学轴承数据集，模拟七类故障（如正常、内圈/滚动体不同程度损伤），在转速100-300Hz、负载0-1400N的变工况下测试。结果显示，在强噪声环境（信噪比1dB）中，该模型诊断准确率仍超75%，而欧氏距离基模型（Euc_DTML）均低于50%。

通过t-SNE降维可视化（图8）可见，该模型特征分布呈现明显的类内紧凑、类间分离，而传统方法特征重叠严重。十折交叉验证进一步表明，其诊断结果标准差仅0.68%，泛化能力优于其他对比模型。

未来展望：从仿真数据到工业实战

目前，该模型在仿真数据中表现优异，未来团队计划将其应用于真实工业场景的小样本故障诊断，探索从仿真数据到实际数据的知识迁移路径。这一研究为变工况下机械故障诊断提供了新思路，尤其在抗噪与模糊样本处理方面展现出潜力。

来源: FME机械工程前沿