煤矿井下生产运行环境恶劣，其关键设备如瓦斯泵、通风机、采煤机等长期处于启动状态，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，尽管可以获取海量原始数据，但这些数据通常未经标注，难以直接用于模型训练，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，进而引起模型性能下降。针对上述问题，提出了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。首先，对煤矿设备音频信号进行梅尔频率倒谱系数（MFCC）特征提取，捕捉设备运行状态中的关键信息，得到故障特征二维系数图。然后，构建基于改进迁移学习的故障诊断网络模型，以改进最大均值差异即多核联合最大均值差异作为度量标准，借助伪标签计算联合分布距离，将标签信息通过多重线性映射进行特征匹配减少数据分布差异，实现边缘分布和条件分布同时对齐。实验结果表明：所提方法在无标签条件下能够实现高精度的故障诊断，准确率达到96.99%，标准差为0.014；在模型抗噪性能实验中，基于改进迁移学习的故障诊断模型在低信噪比（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。

0 引言
1 相关理论
1.1 跨域故障诊断问题
1.2 MFCC
1.3 改进最大均值差异法
2 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
2.1 迁移模型结构
2.2 损失函数
2.3 诊断流程
3 实验结果及分析
3.1 参数选择
3.2 迁移诊断算法比较
3.3 抗噪性能验证
4 结论

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/OL].工矿自动化,1-10[2025-03-01].https://doi.org/10.13272/j.issn.1671-251x.2025010027.