煤矿井下生产关键设备如瓦斯泵、通风机、采煤机等长期处于启动状态，容易产生缺陷性故障。目前端到端音频数据故障诊断方法的模型训练与更新高度依赖于数据标注，而煤矿监控海量原始数据通常未经标注，难以直接用于模型训练，且设备运行工况的突变和设备重组等因素可能导致数据分布发生变化，从而引起模型性能下降。对此，提出一种基于改进迁移学习的煤矿井下设备音频信号故障诊断方法。

      在数据预处理部分，利用摄像仪采集的设备音频信号，通过梅尔频率倒谱系数（MFCC）生成二维特征图数据。为了简化复杂的网络调参过程，特征提取层采用经典Lenet−5模型来学习迁移知识，整体模型结构仅包含卷积层（Conv）、最大池化层（Max Pooling）及全连接层（Dense）。在Lenet−5后添加2层全连接层作为bottleneck层，将其设定为跨域自适应层。通过激活函数输出音频类别预测标签，结合真实标签，计算跨域损失及交叉熵损失，进行迁移特征学习，源域和目标域的网络参数共享。

       为解决跨域故障诊断中源域与目标域的分布差异问题，本文模型采用 2 个关键损失函数进行优化：多分类交叉熵损失和多核联合最大均值差异（MKJMMD）损失。最小化音频故障诊断模型在源域数据集上的多分类交叉熵损失函数，确保模型在源域数据集上的分类准确性。采用MKJMMD损失函数量化并最小化源域和目标域之间的分布差异，从而增强模型对新域的适应性。

       选取自适应批量归一化 （AdaBN）、MKMMD、 相关性对齐（CORAL）、领域对抗神经网络（DANN）4种无监督跨域模型与本文模型进行对比实验。本文模型的故障诊断平均准确率达96.99%，标准差为0.014。

       在模型抗噪性能实验中，本文模型在低信噪比（如10 dB）条件下仍能保持80%的故障诊断准确率，展现出较强的抗噪鲁棒性。

       邱吉尔（1998—） ，男，湖北随州人，硕士，主要从事煤矿设备故障诊断、监测监控技术等方面的工作，E-mail：1154604613@qq.com。

邱吉尔，王琪，王鹏. 基于改进迁移学习的煤矿井下设备音频信号故障诊断方法[J]. 工矿自动化，2025，51（2）：91-99.

QIU  Ji'er,  WANG  Qi,  WANG  Peng. Fault  diagnosis  method  for  underground  coal  mining  equipment  audio  signals  based  on improved transfer learning[J]. Journal of Mine Automation，2025，51（2）：91-99.

      《工矿自动化》1973年创刊，月刊，是由中国煤炭科工集团有限公司主管、中煤科工集团常州研究院有限公司主办的一份集中报道我国煤矿自动化、信息化、智能化技术的专业性技术期刊。为中国科学引文数据库（CSCD）来源期刊、中文核心期刊、中国科技核心期刊、RCCSE中国核心学术期刊（A），瑞典开放存取期刊目录数据库（DOAJ）、英国《科学文摘（网络版）》（INSPEC）、美国《地质学参考数据库》(GeoRef)、美国《艾博思科数据库》（EBSCOhost）、日本《科学技术振兴机构(中国数据库）》（JSTChina）、波兰《哥白尼索引》（IC）、J-Gate数据库来源期刊、欧洲学术出版中心数据库（EuroPub）等收录，中国地学/煤炭领域高质量科技期刊T2类。

        刊登范围：煤矿安全监测监控技术，煤矿智能开采技术，煤矿机械自动化控制技术，煤矿机电设备状态监测与控制技术，煤矿电力驱动与控制技术，煤矿通信技术，煤矿抢险救灾装备与技术，矿用仪器仪表技术，煤矿供配电技术，煤矿信息化技术，煤矿机器人技术，智能矿山与物联网技术等。