随着工业互联网、物联网技术的快速兴起与蓬勃发展，机械装备的多源传感器网络密集排布、监测数据交互量也与日俱增，机械故障诊断已经步入“大数据“时代。这些大信息、大知识可以帮助我们全面掌握装备的健康服务状态，而有效挖掘机械大数据背后的潜在价值，也成为保障装备安全运行的难点。

　　在监测数据充足的情况下，故障智能诊断可以通过自动提取机械监测数据中隐含的故障信息，智能识别装备的健康状态。但工程实际中，获取的机械装备可用数据稀缺，难以训练并获得对装备健康状态识别精度高的智能诊断模型。研究和利用先进的新理论和新技术解决可用数据稀缺这一问题，是机械故障智能诊断的研究成果向工程应用转化的关键。

　　西安交通大学现代设计及转子轴承系统教育部重点实验室雷亚国教授课题组认为，在实验室环境中，机械装备的监测数据具有典型故障信息丰富、健康标记信息充足的特点，并且此类数据与工程实际装备的监测数据间存在相关故障信息，如果能取实验室中试验装备的监测数据之“长”弥补工程实际装备的监测数据之“短”，则可以放宽可用数据充足的假设对机械故障智能诊断研究的限制。

　　研究人员提出机械装备故障的深度迁移诊断方法。该方法即使在工程实际装备的监测数据无健康标记信息，且难以有效训练智能诊断模型时，仍能迁移试验装备的故障诊断知识识别工程实际装备的健康状态。并相较于同类方法，提出方法的诊断精度显著提高。

　　深度迁移诊断方法将数据分布作为迁移机械装备故障诊断知识的桥梁。通过提取试验装备与工程实际装备监测数据中具有相似分布的迁移故障特征，使实验室环境中积累的故障诊断知识能够识别工程实际装备的健康状态。

　　这项成果得到了国家自然科学基金、NSFC-浙江两化融合联合基金和中组部“万人计划”青年拔尖人才支持计划的资金支持。研究成果以《大数据下机械装备故障的深度迁移诊断方法》为题发表于《机械工程学报》2019年第7期。