文章概述

目前，基于深度迁移学习的智能机器诊断得到了很好的研究，通常假设源域和目标域共享相同的故障类别，这可以称为闭集诊断迁移(The Closed-set Diagnosis Transfer, CSDT)。然而，由于机器零部件的不确定性和复杂性，可能会出现未知的新故障，这种假设很难覆盖真实的工程场景，即开集诊断迁移(Open-set Diagnosis Transfer, OSDT)。为了解决这一具有挑战性的问题，本文提出了一种理论引导的渐进迁移学习网络(Theory-guided Progressive Transfer Learning Network, TPTLN)。首先，深入分析了开集环境下迁移学习模型的上界，为模型优化提供了理论指导。其次，设计了一个两阶段模块，通过渐进学习的方式分离未知目标样本并将已知样本靠近，有效提高类间可分性和类内紧凑性。最后我们对所提出的TPTLN的性能基于两个OSDT数据集进行评估。对比实验结果表明，该方法在不同程度的领域偏移和不同开集情况下均具有较好的鲁棒性和诊断性能。

模型描述

在工程场景中，机器总是处于正常状态并进行定期维护。因此收集充足的有标签数据，特别是有标签故障数据是耗时且费力的。此外，由于任务需求和工作环境的不同