技术摘要：
本公开提供了一种基于集成域自适应的故障诊断方法及系统，利用两个特征提取器将源域和目标域数据投影到不同的特征空间中，其中一个特征提取器基于域对抗学习来学习特征，另一个特征提取器将最大均值差异作为损失函数进行学习，不同的特征提取器使用不同的损失函数，得  全部
背景技术：
本部分的陈述仅仅是提供了与本公开相关的
技术实现要素：
信息，不必然构成在先技 术。 故障诊断是保证工业生产安全的关键。近年来，随着机器学习和大数据的发展，基 于数据驱动的智能故障诊断方法快速发展。然而传统的机器学习方法虽然在故障诊断中取 得了一定的成功，但在使用上存在以下问题：1)它们需要与特征提取方法结合使用，而特征 的选择将在很大程度上影响最后的分类结果。此外，特征提取网络和分类器是单独设计的， 需要消耗大量的时间，不能实现全局优化。2)这些方法大多属于浅层结构，难以学习复杂系 统的有效特征表示和非线性映射关系。 深度学习算法因其可以自适应提取故障特征、网络结构复杂等特点，在机械故障 诊断中得到了广泛的应用。深度信任网络(Deep  Belief  Network ,DBN)和卷积神经网络 (Convolutional  Neural  Network,CNN)等深度学习算法在故障诊断和健康监测方面表现 突出。然而，由于现场工业环境的复杂性，工作条件(如机械负荷和速度)或待测设备可能会 发生变化。在实际应用中，由于训练数据集与测试数据集的域不同，使得训练良好的故障诊 断模型对测试数据集的诊断精度较低。 基于域自适应的故障诊断方法虽然可以在一定程度上解决训练数据集与测试数 据集的域不匹配的问题，如果源域数据和目标域数据存在较大差异，将数据投影到同一特 征空间的方法将失去一些重要的特征表示，进而导致训练的故障诊断模型在实际应用时性 能较差。