本发明提供一种基于联合判别对抗域自适应的故障诊断方法，属于旋转机械故障诊断领域。该方法通过领域对抗网络实现全局对齐，增加类别对齐模块，显式减小源域和目标域相同类别原型之间的距离，实现类别分布的对齐。同时提供判别差异模块，使同类特征聚集，不同类特征分离，以提取更有判别性的特征。此外，针对训练中目标域没有标签的问题，提出了一种新的伪标签策略。本发明提供的故障诊断方法能够有效解决数据分布差异较大的跨域故障诊断问题，解决现有领域自适应方法不考虑类别对齐且聚类边界附近目标样本容易错误分类的问题，具备广泛的应用场景。

背景技术

伴随着现代科学技术的快速发展，各类机械设备正朝着高速化、精密化、集成化、智能化等方向发展，保证设备的安全运行至关重要。旋转机械作为最常见的机械设备之一，对旋转机械进行状态监测并建立有效的故障诊断模型具有重大意义。基于深度学习的故障诊断方法凭借其强大的特征提取和模式识别能力，已经在旋转机械智能故障诊断领域得到了广泛的应用。这些深度模型取得良好诊断性能的前提需要有大量有标记的训练数据，并且测试数据与训练数据满足独立同分布的条件。然而，在机械设备真实运行过程中可用的故障数据较少，并且由于复杂工况的影响，不同数据集之间普遍存在分布差异。这在一定程度上限制了基于深度学习的智能故障诊断方法在实际工业场景中的应用。