为克服数据驱动的提升机主轴故障诊断方法仍面临的以下挑战：因缺乏真实工况下故障样本导致的数据不平衡，变工况下数据样本分布差异大造成的故障诊断模型性能衰退以及故障诊断功能单一、缺乏对产生主轴系统故障的原因推理分析与定位，研究一种新的提升机主轴系统故障诊断与推理方法，包括两方面：(1) 基于卷积神经网络迁移学习与域适应的轴承故障诊断。首先，将采集的轴承振动信号进行处理，利用连续小波变换分解原始振动信号并提取二维时频图；其次，为分别从源域和目标域中自适应提取深度特征，采用预训练和微调的方式进行卷积神经网络迁移学习，构建迁移卷积神经网络模型，实现源域和目标域的深度特征自适应提取；然后，提出一种新的监督域适应方法，融合可分性提升的动态联合分布适应，实现进一步缩小源域和目标域深度特征集间分布差异的同时，有效提升特征数据可分性；最后，基于域适应后的源域特征数据训练模式识别分类器，实现对目标域的故障模式识别。(2) 基于本体的提升机主轴故障知识推理。首先，通过对提升机主轴系统故障知识分析，将专业的故障知识及专家经验知识进行规范化和形式化处理，构建提升机主轴系统故障本体知识库；然后，使用语义映射方法，将故障本体知识库中的故障现象实例和基于数据驱动的故障状态识别结果关联，完成从故障模式识别到故障知识推理分析的全过程；最后，基于上述研究内容，设计开发了提升机主轴故障诊断与健康管理服务原型系统。为验证本文所提出方法的有效性，采用2种轴承故障数据集开展平衡和非平衡训练样本下的跨域故障诊断实验分析，实验结果表明本文提出的故障诊断模型能够在2种数据集下的平均故障诊断准确率分别可达98.71%和91.00%，明显优于对比模型；此外，还开展了故障知识推理的实验分析和应用验证，其结果进一步表明本文所提出主轴故障知识推理方法能够高效实现故障原因推理分析与定位。

0 引言
一、提升机主轴故障诊断与推理框架
二、基于卷积神经网络迁移学习与域适应的轴承故障诊断
2.1流程介绍
2.2跨工况轴承故障诊断实验验证
2.2.1实验数据与任务设置
2.2.2基于CWRU轴承故障数据集的实验分析
2.2.3基于自建轴承故障数据集的实验分析
三、基于本体的提升机主轴故障知识推理
3.1提升机主轴故障知识表示
3.2提升机主轴故障本体知识库的创建
3.2.1 提升机主轴故障本体知识库创建流程
3.2.2 Protégé5.0构建提升机故障诊断本体知识库
3.3基于语义映射的提升机主轴故障推理方法
3.3.1 基于本体与数据分析的语义映射方法
3.3.2 实例验证
3.4矿井提升机主轴故障诊断与健康管理服务系统
3.4.1原型系统设计与开发
3.4.2故障诊断服务系统应用效果
四、结论