工业设备中，轴承如同精密机械的"心脏瓣膜"，其微小故障可能引发连锁反应。然而，在转速、负载变化的工况下，传统诊断模型常因数据分布偏移而"水土不服"。武汉科技大学团队提出了一种融合Yu范数与加权判别域适应的智能诊断模型，犹如为轴承装上了"自适应镜片"，即使故障特征模糊也能精准识别。

痛点突破：从"粗放测量"到"模糊感知"

传统故障诊断依赖欧氏距离计算样本相似性，好比用直尺测量曲线弧度，难以应对边界模糊的故障样本。而常见迁移学习方法（如MMD）仅聚焦同类数据分布对齐，忽略了"跨域异类区分"这一关键问题。研究团队创新性地引入模糊数学中的Yu范数，通过T范数（衡量交集）与S范数（衡量并集）的组合，构建更适应模糊边界的新型相似性度量。

如图4所示，不同故障的振幅谱波形存在重叠区域（如故障3与故障5），而Yu范数通过非线性映射能有效捕捉其细微差异，解决了欧氏距离"一刀切"的局限。

算法核心：动态权重破解迁移难题

针对不同故障类别跨域迁移能力差异，团队提出加权DJP-MMD机制。该算法不仅最小化跨域同类样本的联合概率差异，还通过权重参数λ动态调整每类故障的迁移强度。例如在转速100Hz→200Hz的迁移任务中，内圈故障的权重可能显著高于滚动体故障，使模型更聚焦于迁移难度高的类别。

实验数据显示（图5），从高转速向低转速迁移（如C→B）准确率达97.29%，而反向迁移（A→C）仅82.14%，印证了工况差异对迁移效果的影响。而加权机制的引入使模型在六种任务中平均准确率提升至92.48%，较未加权版本提升5.39%。

工业级验证：噪声环境下准确率超75%

在强噪声干扰测试中（信噪比1dB），该模型仍保持75%以上的诊断准确率，而传统TCA+DBN方法已降至50%以下。其抗噪能力源于Yu范数对模糊信息的包容性，以及WDJP-MMD对域间分布差异的鲁棒对齐。

通过特征可视化（图8）可见，新模型的特征分布呈现清晰的类簇分离，而对比方法特征重叠严重。在十折交叉验证中，其诊断结果标准差仅0.68%，展现出稳定的泛化能力。

应用前景：从小样本诊断到工业元宇宙

目前该技术已在实验室环境中验证有效，团队下一步计划将其应用于实际工业场景的少样本故障诊断。特别是在智能制造背景下，该模型有望与数字孪生技术结合，构建轴承全生命周期的"故障预警地图"。未来或可探索跨设备迁移诊断，实现从仿真数据到实体机械的知识泛化。

来源: FME机械工程前沿