基于改进迁移学习的旋转机械轴承的早期故障诊断方法

摘要

本申请涉及一种基于改进迁移学习的旋转机械轴承的早期故障诊断方法，属于计算机技术领域，该方法包括：对有标签数据集和待诊断数据集进行数据对齐后进行特征提取；对对齐后的有标签数据集对应的特征值向量矩阵进行聚类；对每种故障类型的标签对应的特征值向量矩阵和对齐后的待诊断数据集对应的特征值向量矩阵进行特征值向量对齐；对于第二对齐后的特征值向量中的每个待诊断的特征值向量，从第一对齐后的特征值向量矩阵中确定n个最接近的特征值向量；按照n个特征值向量所属的故障类型的标签，确定待诊断的特征值向量对应的故障类型的标签；采用无监督的方式实现目标域无标签早期旋转机械轴承故障数据的分类，并提高分类准确率。

说明书

【技术领域】

本申请涉及一种基于改进迁移学习的旋转机械轴承的早期故障诊断方法，属于计算机技术领域。

【背景技术】

轴承是旋转机械设备中的重要组成部件。机械设备中轴承通常承担着传递动力的功能，所以轴承是旋转机械的核心部件。通常，在机械设备的运行过程中，轴承的转动速度高达几千转每分钟，甚至高达上万转每分钟。而且旋转机械通常运行在高温，多腐蚀，长时间运转的环境下，在这样的严苛的运行环境下，轴承易出现故障。而轴承故障早期发生时，旋转机械可以继续运转，因此很难发现轴承已发生故障。但当有故障轴承长期运转，会极易造成设备的损坏，影响设备的使用寿命。因此，需要对轴承进行早期故障诊断。

一种典型的轴承的早期故障诊断方式为使用机器学习方法或者是深度学习方法对轴承进行早期故障诊断。基于上述方式，需要使用训练数据预先对神经网络进行训练，并使用测试数据对训练后的神经网络进行测试。其中，训练数据和测试数据包括轴承相关工作数据和该工作数据对应的故障标签，该故障标签用于指示该工作数据对应的故障类型。

然而，在训练和测试过程中，通常存在如下问题：一，带有故障类型的标签的数据很少，且很难在生产过程中采集。目前使用的有标签数据集，通常是由实验室采集的实验数据。二，有标签的数据集和需要进行诊断的数据，存在数据分布不同的情况。三，传统的机器学习和深度学习方法进行故障诊断时，都是将故障数据集的一部分作为训练数据，另一部分作为测试数据，即满足训练数据与测试数据有相同的数据分布。这会导致，使用传统机器学习和深度学习方法，在有标签数据集上训练的分类器，在相同分布的测试集上可以取得不错的分类结果，但是在不同分布的数据集上，或需要进行诊断的数据集上不能取得很好的分类和故障诊断的结果。

【发明内容】

本申请提供了一种基于改进迁移学习的旋转机械轴承的早期故障诊断方法，可以解决现有的使用机器学习方法或者是深度学习方法对轴承进行早期故障诊断的方式，数据集中的有标签数据量较少、数据分布与实际待诊断的数据分布不同的问题。本申请提供如下技术方案：提供一种基于改进迁移学习的旋转机械轴承的早期故障诊断方法，所述方法包括：

获取有标签数据集和无标签的待诊断数据集，所述有标签数据集中的每组有标签数据包括轴承相关工作数据和对应的故障类型的标签；所述待诊断数据集中的每组无标签数据包括轴承相关工作数据；

对所述有标签数据集和所述待诊断数据集进行数据对齐，得到对齐后的有标签数据集和对齐后的待诊断数据集；

分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行特征提取，得到各个数据集对应的特征值向量矩阵；每种数据集对应的特征值向量矩阵包括浅层特征和深层特征；

对所述对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵；

对所述每种故障类型的标签对应的特征值向量矩阵和所述对齐后的待诊断数据集对应的特征值向量矩阵进行特征值向量对齐，得到所述对齐后的有标签数据集对应的第一对齐后的特征值向量、以及所述对齐后的待诊断数据集对应的第二对齐后的特征值向量；

对于所述第二对齐后的特征值向量中的每个待诊断的特征值向量，从所述第一对齐后的特征值向量矩阵中确定与所述待诊断的特征值向量最相近的n个特征值向量；所述n正整数；

按照所述n个特征值向量所属的故障类型的标签，确定所述待诊断的特征值向量对应的故障类型的标签，得到所述待诊断的特征值向量对应的无标签数据的故障类型。

可选地，所述对所述有标签数据集和所述待诊断数据集进行数据对齐，包括：

基于关联对齐距离CORAL算法对所述有标签数据集和所述待诊断数据集进行数据对齐，以使所述有标签数据集的数据分布与所述待诊断数据集的数据分布相同。

可选地，所述分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行特征提取，包括：

分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行浅层特征提取，得到每个数据集对应的浅层特征；

其中，所述浅层特征包括所述轴承相关工作数据的时域特征、频域特征和时频域特征中的至少一种；

所述时域特征包括：所述轴承相关工作数据的平均值、方差、均方根值、标准差、峰-峰值、最大值和最小值中的至少一种；

所述频域特征包括：所述轴承相关工作数据的频率中心、频率均方根、频率标准差和信号功率谱中的至少一种；

所述时频域特征包括：通过小波包分解计算得到的小波系数。

可选地，所述分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行特征提取，包括：

使用小波散射网络分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行深层特征提取，得到每个数据集对应的第一深层特征。

可选地，所述分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行特征提取，包括：

使用堆栈式自编码器分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行深层特征提取，得到每个数据集对应的第二深层特征。

可选地，所述对所述对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵，包括：

基于K-最近邻分类KNN算法、以所述故障类型的标签分别作为聚类的中心点，对所述对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵。

可选地，所述对所述每种故障类型的标签对应的特征值向量矩阵和所述对齐后的待诊断数据集对应的特征值向量矩阵进行特征值向量对齐，包括：

使用测地线核GFK算法，将各个数据集对应的特征值向量投影至格拉斯曼流形空间；

在所述格拉斯曼流形空间上进行特征向量对齐。

可选地，所述按照所述n个特征值向量所属的故障类型的标签，确定所述待诊断的特征值向量对应的故障类型的标签，包括：

对所述n个特征值向量所属的故障类型的标签进行标签投票，将投票结果确定为所述待诊断的特征值向量对应的故障类型的标签。

可选地，所述轴承相关工作数据包括轴承的振动数据。

本申请的有益效果在于：通过对有标签数据集和待诊断数据集进行数据对齐，得到对齐后的有标签数据集和对齐后的待诊断数据集；分别对对齐后的有标签数据集和对齐后的待诊断数据集进行特征提取，得到各个数据集对应的特征值向量矩阵；对对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵；对每种故障类型的标签对应的特征值向量矩阵和对齐后的待诊断数据集对应的特征值向量矩阵进行特征值向量对齐，得到对齐后的有标签数据集对应的第一对齐后的特征值向量、以及对齐后的待诊断数据集对应的第二对齐后的特征值向量；对于第二对齐后的特征值向量中的每个待诊断的特征值向量，从第一对齐后的特征值向量矩阵中确定与待诊断的特征值向量最相近的n 个特征值向量；按照n个特征值向量所属的故障类型的标签，确定待诊断的特征值向量对应的故障类型的标签，得到待诊断的特征值向量对应的无标签数据的故障类型；可以解决现有的使用机器学习方法或者是深度学习方法对轴承进行早期故障诊断的方式，数据集中的有标签数据量较少、数据分布与实际待诊断的数据分布不同的问题；仅基于少量有标签但与目标域数据分布不同的数据做为源域，采用无监督的方式实现目标域无标签早期旋转机械轴承故障数据的分类。

另外，对数据特征值的提取，采用了浅层特征值与深度特征值结合的方法，提高分类准确率。

另外，使用KNN搜索树，筛选源域特征值向量，提高分类准确性。

另外，采用两次数据对齐的方法。一，对原始数据信号进行对齐。二，对特征值向量进行对齐；可以提升分类准确性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

【附图说明】

图1是本申请一个实施例提供的基于改进迁移学习的旋转机械轴承的早期故障诊断方法的流程图；

图2是本申请一个实施例提供的特征提取过程的示意图；

图3是本申请一个实施例提供的基于改进迁移学习的旋转机械轴承的早期故障诊断过程的示意图；

图4是本申请一个实施例提供的基于多链分解预测设备耗电量的示意图。

【具体实施方式】

下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

可选地，本申请以各个实施例的执行主体为具有计算能力的电子设备为例进行说明，该电子设备可以为终端或服务器，该终端可以为计算机、笔记本电脑、平板电脑等，本实施例不对终端的类型和电子设备的类型作限定。

图1是本申请一个实施例提供的基于改进迁移学习的旋转机械轴承的早期故障诊断方法的流程图。该方法至少包括以下几个步骤：

步骤101，获取有标签数据集和无标签的待诊断数据集。

有标签数据集中的每组有标签数据包括轴承相关工作数据和对应的故障类型的标签；待诊断数据集中的每组无标签数据包括轴承相关工作数据。

本实施例中，轴承相关工作数据用于指示轴承的工作状态。轴承相关工作数据可以为轴承工作时自身产生的数据，如：轴承相关工作数据包括轴承的振动数据；或者，为轴承工作时与该轴承相连的其它部件产生的数据，如：其它部件在轴承的带动下产生的振动数据，本实施例不对轴承相关工作数据的数据类型作限定。

可选地，有标签数据集也可以成为源域、无标签的待诊断数据集也可以称为目标域，本实施例不对各个数据集的名称作限定。

可选地，故障类型包括但不限于：内圈故障和外圈故障，在其它实施例中，故障类型也可以根据诊断需求设置为其它类型的故障，本实施例在此不再一一列举。不同的故障类型对应的标签不同，如：内圈故障通过标签“1”表示，外圈故障通过标签“2”表示，当然，标签也可以通过其它字符来表示，本实施例不对故障类型对应的标签的设置方式作限定。

比如：参考下表一，源域包括800组有标签数据，每组有标签数据中的轴承相关工作数据包括对应轴承的500个连续的振动信号采样值。目标域包括800个无标签数据，每个无标签数据包括对应轴承的500个连续的振动信号采样值。

表一：

步骤102，对有标签数据集和待诊断数据集进行数据对齐，得到对齐后的有标签数据集和对齐后的待诊断数据集。

数据对齐用于使得有标签数据集的数据分布与待诊断数据集的数据分布相同。

在一个示例中，对有标签数据集和待诊断数据集进行数据对齐，包括：基于关联对齐距离(Correlation Alignment Approach，CORAL)算法对有标签数据集和待诊断数据集进行数据对齐，以使有标签数据集的数据分布与待诊断数据集的数据分布相同。

其中，CORAL算法用于解相关源域数据，然后根据目标域数据的分布再重构源域数据的分布。CORAL算法的原理包括：方差刻画了数据的离散程度，理想状态下的源域和目标域在空间中构成一个分布，这个分布只与给定样本的类别有关，且可通过方差描述。而添加了干扰信息，即有了域信息后，相当于在原有理想分布上进行了变换，同时方差也相应地发生了变换。而解方差操作则将其分布打散，也即去掉了域信息的影响。然后再根据另一个域的信息重相关，即将其分布又按照另一个域重建。

CORAL算法可以通过下式表示：

C

C

D

D

其中，D

步骤103，分别对对齐后的有标签数据集和对齐后的待诊断数据集进行特征提取，得到各个数据集对应的特征值向量矩阵；每种数据集对应的特征值向量矩阵包括浅层特征和深层特征。

在一个示例中，参考图2，浅层特征值为经验特征值，深层特征值为小波散射网络特征值和/或堆栈式自编码器网络特征值。各个数据集对应的特征值向量矩阵为将浅层特征和深层特征组合，得到的特征值矩阵。

对于浅层特征的提取，分别对对齐后的有标签数据集和对齐后的待诊断数据集进行特征提取，包括：分别对对齐后的有标签数据集和对齐后的待诊断数据集进行浅层特征提取，得到每个数据集对应的浅层特征。

其中，浅层特征包括轴承相关工作数据的时域特征、频域特征和时频域特征中的至少一种。

在一个示例中，时域特征包括：轴承相关工作数据的平均值、方差、均方根值、标准差、峰-峰值、最大值和最小值中的至少一种。

轴承相关工作数据的平均值通过下式计算：

其中，

轴承相关工作数据的方差通过下式计算：

其中，X

轴承相关工作数据的均方根值通过下式计算：

其中，X

轴承相关工作数据的标准差通过下式计算：

其中，X

轴承相关工作数据的峰-峰值通过下式计算：

X

其中，X

在其它实施例中，时域特征还可以包括其它特征，比如：脉冲因子、峭度、偏度因子、波形系数、方根幅值、峰值因子、裕度系数和/或峭度因子等，本实施例不对时域特征的类型作限定。

脉冲因子通过下式计算：

其中，C

峭度通过下式计算：

其中，C

偏度因子通过下式计算：

其中，C

波形系数通过下式计算：

C

C

方根幅值通过下式计算：

X

峰值因子通过下式计算：

C

裕度系数通过下式计算：

C

峭度因子通过下式计算：

C

频域特征包括：轴承相关工作数据的频率中心、频率均方根、频率标准差和信号功率谱中的至少一种。

可选地，电子设备使用快速傅里叶变换，对轴承相关工作数据(如振动信号)的频域特征值提取。

其中，快速傅里叶变换为傅里叶变换的累加形式，假设将一离散有序长的序列x(n)的傅里叶变换定义为：

式中，x(n)可以由其奇偶序列相加的形式表示，即，x(n)＝x

上述公式即为快速傅里叶变换的整体形式，其中，X

对原始信号做快速傅里叶变换后，即可计算其频率中心值，频率均方根值，频率标准差值和信号最大能量值，将这四个值提取作为信号频域特征值。

频率中心通过下式计算：

其中，v

频率均方根通过下式计算：

频率标准差通过下式计算：

其中，v

功率谱通过下式计算：

其中，T为时间，F

时频域特征包括：通过小波包分解计算得到的小波系数。

其中，通过小波包分解计算小波系数，包括：对源域和目标域的每一个样本做level 4的N＝4的多贝西小波包分解；提取level 4的第0到15节点的系数，得到小波系数。

对于深层特征提取，分别对对齐后的有标签数据集和对齐后的待诊断数据集进行特征提取，包括：使用小波散射网络分别对对齐后的有标签数据集和对齐后的待诊断数据集进行深层特征提取，得到每个数据集对应的第一深层特征，和/或，使用堆栈式自编码器分别对对齐后的有标签数据集和对齐后的待诊断数据集进行深层特征提取，得到每个数据集对应的第二深层特征。

其中，小波散射网络(不变散射卷积网络)是一个自动提取相关紧凑特征的框架。它的每一层通常也由三部分组成，分别为：小波卷积、非线性和平均操作。小波散射网络是和深度卷积神经网络(Deep Convolutional Neural Network)相似的深度网络。它执行了构成深度网络的三个主要任务：卷积，非线性和池化。其中，卷积由小波执行，模运算符用作非线性化，并且小波低通滤波器的滤波类似于池化。首先，使用小波低通滤波器对输入信号进行平均。这是第0层散射功能，通过平均操作，会丢失信号中的高频细节。通过对信号执行连续小波变换以生成一组尺度图系数，可以在后续层中捕获在第一步中丢失的细节。将模数应用于尺度图系数，然后使用小波低通滤波器对输出进行滤波，从而生成一组第1层散射系数。重复相同的过程以获得第2层散射系数。就是说，上一层的尺度图系数输出成为下一层操作的输入。然后，应用相同的模运算符，并使用小波低通函数对输出进行滤波，以得出第2层散射系数。

对源域和目标域的应用小波散射变换，获得的散射特征均值即为所提的取特征值。

自编码器是一种神经网络，该网络会尝试在其输出端复制其输入。自编码器由一个编码器和一个解码器组成。编码器将输入映射为隐含表示，解码器则尝试进行逆映射以重新构造原始输入。因此，其输入的大小将与其输出的大小相同。当隐藏层中的神经元数量小于输入的大小时，自编码器将学习输入的特征表示。利用此特性，提取自编码器隐藏层中学习的输入信号的特征值，做为源域和目标域的信号特征值。

堆栈式自编码器即为两个及以上的自编码器堆栈组成。其中第一个自编码器的隐藏层学习的特征值作为第二个自编码器的输入。在本实施例中，使用两个自编码器组成堆栈式自编码器，其中第二个自编码器隐藏层中的神经元所学习的特征值，提取作为样本信号的特征值。在其它实施方式中，堆栈式自编码器也可以为三个或三个以上的自编码器，本实施例不对堆栈式自编码器中自编码器的数量作限定。

步骤104，对对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵。

在一个示例中，对对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵，包括：基于K-最近邻分类(K-NearestNeighbor，KNN)算法、以故障类型的标签分别作为聚类的中心点，对对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵。具体地，聚类过程包括： 1，使用K-d tree算法对对齐后的有标签数据集对应的特征值向量矩阵创建搜索树模型。2，基于KNN算法以故障类型的标签分别作为聚类的中心点，对对齐后的有标签数据集对应的特征值向量矩阵进行聚类。3，将聚类后的每个类别/组的中心点，做为搜索参数，在搜索树模型中查找离其最近的多个(如50个特征值向量)，并将每个类别/组的中心点对应的最近的多个特征值向量组成新的特征值向量矩阵。

比如：电子设备对对源域特征值矩阵做K均值聚类，根据源域所存在的故障类型确定K值，假设使用2种故障类型，则K值为2。根据K均值聚类计算，获得相对应聚类的中心点C1(对应一种故障类型)，C2(对应另一种故障类型)；创建k维树(k-dimensional tree，KD)搜索模型；使用K近邻搜索，基于kd树模型，查找与聚类中心点最近的多个(比如50个或者其它数值，本实施例不对特征值向量的选取数量作限定)特征值向量；将新的特征值向量组成新的源域特征值向量矩阵，得到每种故障类型的标签对应的特征值向量矩阵。

步骤105，对每种故障类型的标签对应的特征值向量矩阵和对齐后的待诊断数据集对应的特征值向量矩阵进行特征值向量对齐，得到对齐后的有标签数据集对应的第一对齐后的特征值向量、以及对齐后的待诊断数据集对应的第二对齐后的特征值向量。

在一个示例中，电子设备使用测地线核(Geodesic Flow Kernel，GFK) 算法，将各个数据集对应的特征值向量投影至格拉斯曼流形空间；在格拉斯曼流形空间上进行特征向量对齐。

使用GFK算法对齐特征值向量时，首先需计算最优子空间维度；再构建测地线，最后计算测地线流式核。

计算最优子空间维度包括：对源域D

构建测地线包括：在对源域和目标域做完主成分分析后得到的P

Φ(t)＝P

其中，R

经过奇异值分解后，Γ,Σ均为对角矩阵，对角矩阵的每个元素叫做两个矩阵之间的主角，表示他们之间的距离。

计算测地线流式核包括：对于两个向量x

其中，G为一个半正定矩阵。

其中，

步骤106，对于对齐后的特征值向量中的每个待诊断的特征值向量，从第一对齐后的特征值向量矩阵中确定与待诊断的特征值向量最相近的n个特征值向量。n正整数。

在一个示例中，电子设备使用5近邻分类器对目标域的特征值向量进行分类。其原理即为，对每一个目标域的特征值向量，寻找离其欧式空间距离最近的5个源域的特征值向量。

步骤107，按照n个特征值向量所属的故障类型的标签，确定待诊断的特征值向量对应的故障类型的标签，得到待诊断的特征值向量对应的无标签数据的故障类型。

在一个示例中，按照n个特征值向量所属的故障类型的标签，确定待诊断的特征值向量对应的故障类型的标签，包括：对n个特征值向量所属的故障类型的标签进行标签投票，将投票结果确定为待诊断的特征值向量对应的故障类型的标签。

结合上述实施例，参考图3所示的基于改进迁移学习的旋转机械轴承的早期故障诊断过程，有标签的数据(源域)和无标签的待诊断数据(目标域)基于CORAL进行原始数据对齐后，得到对齐后的有标签数据和对齐后的无标签的待诊断数据。之后，分别进行数据特征值提取，得到基于统计特征的浅层特征和基于小波散射与堆栈式自便器的深度特征，上述特征构成源域数据的特征值矩阵和目标域数据的特征值矩阵。对于源域数据的特征值矩阵建立KNN搜索树，得到源域数据的代表性特征值矩阵，对该代表性特征值矩阵和目标域数据的特征值矩阵基于GFK进行特征值向量对齐后，使用5-NN分类法对目标域数据进行分类，得到各个待诊断数据的故障类型。

综上所述，本实施例提供的基于改进迁移学习的旋转机械轴承的早期故障诊断方法，通过对有标签数据集和待诊断数据集进行数据对齐，得到对齐后的有标签数据集和对齐后的待诊断数据集；分别对对齐后的有标签数据集和对齐后的待诊断数据集进行特征提取，得到各个数据集对应的特征值向量矩阵；对对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵；对每种故障类型的标签对应的特征值向量矩阵和对齐后的待诊断数据集对应的特征值向量矩阵进行特征值向量对齐，得到对齐后的有标签数据集对应的第一对齐后的特征值向量、以及对齐后的待诊断数据集对应的第二对齐后的特征值向量；对于第二对齐后的特征值向量中的每个待诊断的特征值向量，从第一对齐后的特征值向量矩阵中确定与待诊断的特征值向量最相近的n个特征值向量；按照n个特征值向量所属的故障类型的标签，确定待诊断的特征值向量对应的故障类型的标签，得到待诊断的特征值向量对应的无标签数据的故障类型；可以解决现有的使用机器学习方法或者是深度学习方法对轴承进行早期故障诊断的方式，数据集中的有标签数据量较少、数据分布与实际待诊断的数据分布不同的问题；仅基于少量有标签但与目标域数据分布不同的数据做为源域，采用无监督的方式实现目标域无标签早期旋转机械轴承故障数据的分类。

另外，对数据特征值的提取，采用了浅层特征值与深度特征值结合的方法，提高分类准确率。

另外，使用KNN搜索树，筛选源域特征值向量，提高分类准确性。

另外，采用两次数据对齐的方法。一，对原始数据信号进行对齐。二，对特征值向量进行对齐；可以提升分类准确性。

图4是本申请一个实施例提供的基于改进迁移学习的旋转机械轴承的早期故障诊断装置的框图。该装置至少包括以下几个模块：数据获取模块 410、第一对齐模块420、特征提取模块430、特征聚类模块440、第二对齐模块450、特征确定模块460和故障诊断模块470。

数据获取模块410，用于获取有标签数据集和无标签的待诊断数据集，所述有标签数据集中的每组有标签数据包括轴承相关工作数据和对应的故障类型的标签；所述待诊断数据集中的每组无标签数据包括轴承相关工作数据；

第一对齐模块420，用于对所述有标签数据集和所述待诊断数据集进行数据对齐，得到对齐后的有标签数据集和对齐后的待诊断数据集；

特征提取模块430，用于分别对所述对齐后的有标签数据集和所述对齐后的待诊断数据集进行特征提取，得到各个数据集对应的特征值向量矩阵；每种数据集对应的特征值向量矩阵包括浅层特征和深层特征；

特征聚类模块440，用于对所述对齐后的有标签数据集对应的特征值向量矩阵进行聚类，得到每种故障类型的标签对应的特征值向量矩阵；

第二对齐模块450，用于对所述每种故障类型的标签对应的特征值向量矩阵和所述对齐后的待诊断数据集对应的特征值向量矩阵进行特征值向量对齐，得到所述对齐后的有标签数据集对应的第一对齐后的特征值向量、以及所述对齐后的待诊断数据集对应的第二对齐后的特征值向量；

特征确定模块460，用于对于所述第二对齐后的特征值向量中的每个待诊断的特征值向量，从所述第一对齐后的特征值向量矩阵中确定与所述待诊断的特征值向量最相近的n个特征值向量；所述n正整数；

故障诊断模块470，用于按照所述n个特征值向量所属的故障类型的标签，确定所述待诊断的特征值向量对应的故障类型的标签，得到所述待诊断的特征值向量对应的无标签数据的故障类型。

相关细节参考上述方法实施例。

需要说明的是：上述实施例中提供的基于改进迁移学习的旋转机械轴承的早期故障诊断装置在进行基于改进迁移学习的旋转机械轴承的早期故障诊断时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将基于改进迁移学习的旋转机械轴承的早期故障诊断装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于改进迁移学习的旋转机械轴承的早期故障诊断装置与基于改进迁移学习的旋转机械轴承的早期故障诊断方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的基于改进迁移学习的旋转机械轴承的早期故障诊断方法。

可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的基于改进迁移学习的旋转机械轴承的早期故障诊断方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

上述仅为本申请的一个具体实施方式，其它基于本申请构思的前提下做出的任何改进都视为本申请的保护范围。