摘要：随着工业物联网和大数据的迅猛发展，设备管理也日渐展现出智能化、复杂化趋势， 设备故障时及时获得故障类型有助于采取合适的维修措施，保障生产的安全可靠。目前在故 障诊断方法研究方面，机器学习领域的深度学习方法受到越来越多的重视。但深度学习方法 存在模型参数难以确定的问题，与此同时，数据中往往含有不少噪声，对故障诊断模型的抗 噪性以及不同负载下模型的适应性要求不断提高。本文基于深度学习中的卷积神经网络模 型，针对现今故障诊断领域的深度学习模型参数难以确定、适应性差的不足，通过模型集成 的方法，确定深度学习模型结构，并引入自适应批量归一化算法提高模型的适应性。实验结 果表明，本文所设计的故障诊断模型在数据含有噪声以及不同负载情况下都具有较高的故障 识别率，模型的抗噪性和适应性良好。
关键词：深度学习；适应性；故障诊断；卷积神经网络；自适应批量归一化算法
关键词：深度学习；适应性；故障诊断；卷积神经网络；自适应批量归一化算法
1 引言
随着现代工业技术的发展，设备的安全 性、稳定性、可靠性和运行效率已成为制造 企业的核心竞争力[1]，设备管理已成为企业 管理的重要领域。在生产过程中，设备的性 能会随着使用时间的增加而恶化，在运行过 程中会出现各种故障。当设备发生故障时， 会降低生产效率，更严重的会导致设备停 机，并发生机器损坏、人员死亡等恶性事故。 因此，及时发现和识别故障类型和位置并尽 快处理故障显得尤为重要。随着计算机技术 的发展，许多机器学习算法被应用于设备故 障诊断领域。据预测，到 2020 年，不断发 展的物联网技术将连接 300 亿台设备[2]，庞 大的数据量也将推动工业 4.0 物理网络系统 监控流程的创新。随着数据量的不断增加， 深度学习在处理大规模数据方面的优势也 日益凸显。
深度学习是机器学习研究的一个主要 方向。机器学习依靠算法训练数据，对任务 进行决策；深度学习利用深度学习网络来表 达数据的特征。然而，用于设备故障诊断的 传统机器学习方法依赖专家知识经验，而深 度学习在特征提取和分类中表现出色，也具 备函数映射的特点，随着计算能力的提升， 数据量的增加，深度学习在处理大数据时将 更有优势：第一，深度学习算法逐层直接自 动进行特征的学习和提取，无需单独的特征 提取过程，也不必依赖专家的经验知识，对 于不清楚设备结构属性的情况较为适用，同 时也减少人工资源的使用，无经验背景直接 利用设备数据就可操作；第二，深度学习能 分析出数据变化内含的设备状态变化，这种 复杂的关联性一般的算法较难学习，尤其是 面对高维多种类的海量数据[3][4] 。因此深 度学习在故障诊断中拥有广泛的应用前景， 可有效提高故障诊断的准确性[5]。目前基于深度学习的故障诊断方法已
经有了一定的研究成果，常用的深度学习故 障诊断模型有：深度置信网络（DBN）、循 环神经网络（RNN）、卷积神经网络（CNN） 等。深度置信网络[6]在故障诊断方面的优势 在于有一个非监督预训练的过程，使用限制 玻尔兹曼机初始化权重偏置，它能更好地恢 复条件概率分布，训练出一个性能好的模 型。然而，缺点是当该网络用于不同的故障 诊断情况时，准确度稍差。循环神经网络[7] 主要用来处理时序性数据，在故障预测领域 应用较多，但其误差梯度在经过多个时间步 的反向传播后容易导致极端的非线性行为， 例如梯度消失和梯度爆炸。卷积神经网络[8] 具有局部感知、权重共享的优点，减少网络 的参数量降低了模型复杂度，也无需手动提 取特征，在一套完整流程下就可以完成提取 特征以及故障诊断过程，只要将模型权重参 数训练好就能得到好的诊断效果；而降采样 则进一步降低了输出参数量，模型具有更强 的泛化能力，面对小的畸变也能保持较好的 诊断效果。综上所述，卷积神经网络与其他 深度学习模型相比易于处理高维数据，且无 需手动提取特征，泛化能力强，梯度消失问 题也可以被有效解决，因此本文选择卷积神 经网络作为基础故障诊断模型。根据基于卷 积神经网络的故障诊断方法相关研究和应 用现状，可概括其难点主要有以下两个：
(1) 基于卷积神经网络的故障诊断模型 的优良性能主要是基于大量的训练数据和 深层网络结构，但同时深层网络意味着网络 模型参数的增加，模型的具体结构往往难以 确定，不合适的网络结构往往会导致训练时 间的增加以及故障诊断识别率的下降；
(2) 基于卷积神经网络的故障诊断模型 在样本含有噪声或设备的负载变化时，模型 的适应性差，故障诊断的识别率会降低。
针对难点 1，本文采用首层宽卷积核和 多层小卷积核的卷积神经网络结构构建故
随着现代工业技术的发展，设备的安全 性、稳定性、可靠性和运行效率已成为制造 企业的核心竞争力[1]，设备管理已成为企业 管理的重要领域。在生产过程中，设备的性 能会随着使用时间的增加而恶化，在运行过 程中会出现各种故障。当设备发生故障时， 会降低生产效率，更严重的会导致设备停 机，并发生机器损坏、人员死亡等恶性事故。 因此，及时发现和识别故障类型和位置并尽 快处理故障显得尤为重要。随着计算机技术 的发展，许多机器学习算法被应用于设备故 障诊断领域。据预测，到 2020 年，不断发 展的物联网技术将连接 300 亿台设备[2]，庞 大的数据量也将推动工业 4.0 物理网络系统 监控流程的创新。随着数据量的不断增加， 深度学习在处理大规模数据方面的优势也 日益凸显。
深度学习是机器学习研究的一个主要 方向。机器学习依靠算法训练数据，对任务 进行决策；深度学习利用深度学习网络来表 达数据的特征。然而，用于设备故障诊断的 传统机器学习方法依赖专家知识经验，而深 度学习在特征提取和分类中表现出色，也具 备函数映射的特点，随着计算能力的提升， 数据量的增加，深度学习在处理大数据时将 更有优势：第一，深度学习算法逐层直接自 动进行特征的学习和提取，无需单独的特征 提取过程，也不必依赖专家的经验知识，对 于不清楚设备结构属性的情况较为适用，同 时也减少人工资源的使用，无经验背景直接 利用设备数据就可操作；第二，深度学习能 分析出数据变化内含的设备状态变化，这种 复杂的关联性一般的算法较难学习，尤其是 面对高维多种类的海量数据[3][4] 。因此深 度学习在故障诊断中拥有广泛的应用前景， 可有效提高故障诊断的准确性[5]。目前基于深度学习的故障诊断方法已
经有了一定的研究成果，常用的深度学习故 障诊断模型有：深度置信网络（DBN）、循 环神经网络（RNN）、卷积神经网络（CNN） 等。深度置信网络[6]在故障诊断方面的优势 在于有一个非监督预训练的过程，使用限制 玻尔兹曼机初始化权重偏置，它能更好地恢 复条件概率分布，训练出一个性能好的模 型。然而，缺点是当该网络用于不同的故障 诊断情况时，准确度稍差。循环神经网络[7] 主要用来处理时序性数据，在故障预测领域 应用较多，但其误差梯度在经过多个时间步 的反向传播后容易导致极端的非线性行为， 例如梯度消失和梯度爆炸。卷积神经网络[8] 具有局部感知、权重共享的优点，减少网络 的参数量降低了模型复杂度，也无需手动提 取特征，在一套完整流程下就可以完成提取 特征以及故障诊断过程，只要将模型权重参 数训练好就能得到好的诊断效果；而降采样 则进一步降低了输出参数量，模型具有更强 的泛化能力，面对小的畸变也能保持较好的 诊断效果。综上所述，卷积神经网络与其他 深度学习模型相比易于处理高维数据，且无 需手动提取特征，泛化能力强，梯度消失问 题也可以被有效解决，因此本文选择卷积神 经网络作为基础故障诊断模型。根据基于卷 积神经网络的故障诊断方法相关研究和应 用现状，可概括其难点主要有以下两个：
(1) 基于卷积神经网络的故障诊断模型 的优良性能主要是基于大量的训练数据和 深层网络结构，但同时深层网络意味着网络 模型参数的增加，模型的具体结构往往难以 确定，不合适的网络结构往往会导致训练时 间的增加以及故障诊断识别率的下降；
(2) 基于卷积神经网络的故障诊断模型 在样本含有噪声或设备的负载变化时，模型 的适应性差，故障诊断的识别率会降低。
针对难点 1，本文采用首层宽卷积核和 多层小卷积核的卷积神经网络结构构建故
障诊断模型，其中首层宽卷积核是为了提取 短时特征，加快模型训练速度。具体卷积层 和池化层的数量以及第二层之后的卷积核 数目采用模型集成的方法确定。
针对难点 2，本文首先在原有基于卷积 神经网络故障诊断模型上加入批归一化 （BN）层，并在此基础上引入自适应批量 归一化算法（AdaBN），提高模型的适应性。
本文后续内容结构如下：第 2 节将介绍 基于模型集成方法的卷积神经网络故障诊 断模型结构的确定，第 3 节介绍引入 AdaBN 的适应性故障诊断模型的设计，第 4 节基于 公开数据集验证本文提出方法的有效性和 优越性，最后在第 5 节进行总结和展望。
2 基础故障诊断模型的建立
2.1 基于卷积神经网络故障诊断模型构建
卷积神经网络一般由卷积层、池化层和全连接层组成，通常顺序为：输入—卷积层 —池化层—卷积层—池化层—……—全连 接层—输出。根据卷积神经网络的基本结 构，本节首先构建一个基于卷积神经网络的 基础故障诊断模型，第一层卷积层卷积核数 目为 16，窗口大小为 64×1，步长 16×1 ，第 一层卷积层窗口较大是为了提取短时特征， 加快模型训练速度。卷积层后接一个池化 层，池化层的窗口大小为 2×1，缩小比例因 数为 2。再往后是若干个卷积层和池化层， 卷积层窗口大小均为 3 × 1 的小卷积核，步 长为 1×1，池化层参数同上。然后是若干个 全连接层，全连接层的神经元数为 32，具体 层数由下节优化决定，最后是一个全连接输 出层。激活函数选择 ReLU（Rectified Linear Unit），ReLU 函数在输入值大于 0 时，其 导数值始终为 1，这就很好地克服了梯度弥 散问题，最后为 softmax 函数，输出故障诊 断分类的结果。具体卷积层和池化层的层数 以及第二层之后的卷积核数目在下节优化过程中进行讨论。
2.2 基于模型集成方法的模型结构确定
由于不同的卷积层、池化层、全连接层 的数目以及卷积核的数目会对最后的故障 诊断结果产生影响，为了得到性能最好的故 障诊断模型，上一小节介绍的第二层之后的 全连接层层数，卷积（池化）层层数和每层 卷积核数目是待定的，本节采用模型集成的 方法分情况穷举讨论，采用全连接层 1-2 层， 卷积（池化）层 1-3 层（包含上节的首层宽 卷积核），后面卷积层卷积核数目一致，都 从 32/64/128 中选择，来测试共 2*3*3=18 种 排列组合中性能最优的模型。对三者不同组 合模型的故障诊断能力通过对测试数据集 上的结果进行比对，选择最优的模型结构， 不同结构的模型故障诊断识别率结果如图 1 所示，横坐标为 epoch 次数（一个完整的数 据集经过了卷积神经网络一次并且返回了 一次，这个过程称为一个 epoch），纵坐标 为故障诊断识别率。根据图 1 可以看出最粗 的线为 1 全连接层-2 卷积层-32 个卷积核的 模型结构，该模型故障诊断识别率最优，因 此本文最终选定 1 全连接层-2 卷积层-32 个 卷积核的卷积神经网络结构作为基础故障 诊断模型，最终的模型结构如表 1 所示。
3 适应性故障诊断模型设计
故障诊断过程中的数据往往夹杂不同 程度的噪声，或是设备的负载情况发生变 化。本节将针对基于卷积神经网络的故障诊 断模型抗噪性和适应性差的问题，在上节基 础故障诊断模型上引入自适应批量归一化 算法进行优化，提高模型的适应性。
3.1 卷积神经网络故障诊断模型 BN 层作用
BN 层一般在激活函数之后，主要解决 神经网络收敛过慢的问题。在训练神经网络 时，随着网络深度的加深，非线性函数（激 活函数）的输入值分布往往会发生偏移，领
图 1 不同结构模型故障诊断识别率结果 表 1 卷积神经网络故障诊断模型最终结构
| 编号 | 网络层 | 卷积核 数目 | 窗口 大小 | 步长/池化层缩小 比例因数 | 输出大 小 | 非零填充 | 激活函数 | 正则 化 |
| 1 | 卷积层 | 16 | 64×1 | 16×1 | 128×16 | same | ReLU | L2 |
| 2 | 池化层 | 2×1 | 2 | 64×16 | valid | |||
| 3 | 卷积层 | 32 | 3 × 1 | 1 × 1 | 64×32 | same | ReLU | L2 |
| 4 | 池化层 | 2×1 | 2 | 32×32 | valid | |||
| 5 | 展平 | 1024 | ||||||
| 6 | 全连接层 | 32 | ReLU | L2 | ||||
| 7 | 输出层 | 10 | softmax | L2 |
域分布情况变得不再标准，逐渐靠近非线性 函数的上下取值边界，从而在反向传播时低 层神经网络的梯度消失，造成神经网络收敛 速度变慢。BN 层主要作用是把神经网络输 入的数据分布改正为均值为 0 方差为 1 的标 准正态分布，进行标准化的处理后，领域分 布不再处于边界，大部分位于非线性函数的 线性区内，其对应的导数也进入变化敏感 区，那么即使输入数据有微小的变化，损失 函数也能反映出较大的变化，更容易向最优 方向靠拢，并由此加大梯度，防止梯度消失， 加快收敛速度，减少模型训练时间。
3.2 适应性故障诊断模型设计
本文在 BN 层的基础上引入 AdaBN 算 法提升基于卷积神经网络故障诊断模型的适应性。AdaBN 是基于 BN 的领域自适应算 法，它简单直接地用测试集在每一个 BN 层 的均值与方差，替换原来 BN 层的由训练集 计算出的均值与方差，将训练集和测试集调 整到一个新的分布空间，使两个数据集领域 分布相似，实现即使训练集测试集不同领 域，一样可以做到领域自适应，最终的故障 诊断分类效果也会变好。本文在第 2 节卷积 神经网络故障诊断模型的基础上首先加入 BN 层，再利用 AdaBN 算法改良领域分布情 况[9]，从而提高模型的适应性。
4 实验验证
4.1 数据集介绍
本文选用凯斯西储大学轴承数据中心(Case Western Reserve University, CWRU)官 网上的数据集。数据集中包括：正常数据， 采样频率 12kHz 的故障数据，采样频率 48kHz 的故障数据。实验选择的采样频率为 48kHz 的驱动端故障数据和正常数据，这两 种数据都包含四种（0hp、1hp、2hp 和 3hp） 负载下的数据，每种负载下数据集各包括 7000 个训练样本与 1000 个测试样本 。 48kHz 的驱动端故障数据每种负载下轴承 有 3 种缺陷位置，分别是滚动体损伤，外圈 损伤与内圈损伤，每种损伤直径大小有3 种， 包括 0.007inch，0.014inch 和 0.021inch，共 计 9 种损伤状态。每种损伤状态下对应有 2 个加速度序列数据及对应的时间序列数据。
3.2 适应性故障诊断模型设计
本文在 BN 层的基础上引入 AdaBN 算 法提升基于卷积神经网络故障诊断模型的适应性。AdaBN 是基于 BN 的领域自适应算 法，它简单直接地用测试集在每一个 BN 层 的均值与方差，替换原来 BN 层的由训练集 计算出的均值与方差，将训练集和测试集调 整到一个新的分布空间，使两个数据集领域 分布相似，实现即使训练集测试集不同领 域，一样可以做到领域自适应，最终的故障 诊断分类效果也会变好。本文在第 2 节卷积 神经网络故障诊断模型的基础上首先加入 BN 层，再利用 AdaBN 算法改良领域分布情 况[9]，从而提高模型的适应性。
4 实验验证
4.1 数据集介绍
本文选用凯斯西储大学轴承数据中心(Case Western Reserve University, CWRU)官 网上的数据集。数据集中包括：正常数据， 采样频率 12kHz 的故障数据，采样频率 48kHz 的故障数据。实验选择的采样频率为 48kHz 的驱动端故障数据和正常数据，这两 种数据都包含四种（0hp、1hp、2hp 和 3hp） 负载下的数据，每种负载下数据集各包括 7000 个训练样本与 1000 个测试样本 。 48kHz 的驱动端故障数据每种负载下轴承 有 3 种缺陷位置，分别是滚动体损伤，外圈 损伤与内圈损伤，每种损伤直径大小有3 种， 包括 0.007inch，0.014inch 和 0.021inch，共 计 9 种损伤状态。每种损伤状态下对应有 2 个加速度序列数据及对应的时间序列数据。
4.2 模型抗噪性验证
该实验首先应用训练样本进行模型训 练，通过在同种负载下的测试样本上加入高 斯 白 噪 声 信 号 ， 测 试 信 噪 比 （SIGNAL-NOISE RATIO, SNR)从 0-10dB 变化时本文所设计的故障诊断模型的识别 率。与此同时，引入基于支持向量机（SVM）， 深度神经网络（DNN）、长短时记忆网络 （LSTM）、基础卷积神经网络（CNN）的 故障诊断模型与本文设计的适应性故障诊 断模型进行比较，测试结果如图 2 所示。
图 2 不同模型抗噪性测试结果
从图 2 中可以看出，DNN 和 LSTM 模 型对于数据中存在噪声时，故障诊断的识别 率偏低，最高在 90%左右，尤其是对于信噪 比较低的样本数据模型抗噪性很差。SVM 和基础 CNN 模型在抗噪性方面表现较好， 但 SVM 不善于处理多分类问题，即使 SVM 无需进行高维空间的计算，但其中的核函数 如何选择仍然是需要攻克的难题，这将导致 SVM 无法在变化的环境中仍有较为出色的 表现。而基础 CNN 模型在信噪比较低时， 诊断效果相比较于本文方法在故障识别率 方面还有一定的差距。
4.3 模型适应性验证
该实验选择 1hp（A），2hp（B），3hp （C）负载下的数据集，以其中一个作为训 练集，另一个负载不同于训练集的作为测试 集。采用基于 SVM ，DNN ，LSTM 、基础 CNN 的故障诊断模型与本文设计故障诊断 模型进行对比，测试不同负载场景下的模型 故障诊断识别率，测试结果如图 3 所示。
从图3 可以看出在训练集与测试集负载 不同时，基于 SVM 、DNN 、LSTM 的模型 故障诊断识别率明显下降，不到 70%。基础 CNN 模型和本文设计的适应性故障诊断模 型在六种适应性测试中只有 C 为训练集和 A 为测试集的情况下识别率一般，其他五种 情况下识别率分别能达到 95%和99%，并且 本文提出的故障诊断模型识别率更高。这是 因为 CNN 具有多层次网络结构，善于挖掘 数据局部特征，提取全局训练特征并进行分 类工作，是一种鲁棒性强的深度学习模型， 具备良好的适应性。本文在卷积神经网络故 障诊断模型的基础上引入 AdaBN 算法进一 步提高模型的适应性，通过对测试集和训练 集领域分布进行调整，使两者特征表达点基 本重合，领域分布几乎一致，可以有效解决 训练集和测试集数据分布不同造成故障诊 断效果差的问题，因此本文设计的模型可以更好地适应不同负载的数据，相比与基础 CNN 模型故障诊断的识别率进一步提高。
该实验首先应用训练样本进行模型训 练，通过在同种负载下的测试样本上加入高 斯 白 噪 声 信 号 ， 测 试 信 噪 比 （SIGNAL-NOISE RATIO, SNR)从 0-10dB 变化时本文所设计的故障诊断模型的识别 率。与此同时，引入基于支持向量机（SVM）， 深度神经网络（DNN）、长短时记忆网络 （LSTM）、基础卷积神经网络（CNN）的 故障诊断模型与本文设计的适应性故障诊 断模型进行比较，测试结果如图 2 所示。
图 2 不同模型抗噪性测试结果
从图 2 中可以看出，DNN 和 LSTM 模 型对于数据中存在噪声时，故障诊断的识别 率偏低，最高在 90%左右，尤其是对于信噪 比较低的样本数据模型抗噪性很差。SVM 和基础 CNN 模型在抗噪性方面表现较好， 但 SVM 不善于处理多分类问题，即使 SVM 无需进行高维空间的计算，但其中的核函数 如何选择仍然是需要攻克的难题，这将导致 SVM 无法在变化的环境中仍有较为出色的 表现。而基础 CNN 模型在信噪比较低时， 诊断效果相比较于本文方法在故障识别率 方面还有一定的差距。
4.3 模型适应性验证
该实验选择 1hp（A），2hp（B），3hp （C）负载下的数据集，以其中一个作为训 练集，另一个负载不同于训练集的作为测试 集。采用基于 SVM ，DNN ，LSTM 、基础 CNN 的故障诊断模型与本文设计故障诊断 模型进行对比，测试不同负载场景下的模型 故障诊断识别率，测试结果如图 3 所示。
从图3 可以看出在训练集与测试集负载 不同时，基于 SVM 、DNN 、LSTM 的模型 故障诊断识别率明显下降，不到 70%。基础 CNN 模型和本文设计的适应性故障诊断模 型在六种适应性测试中只有 C 为训练集和 A 为测试集的情况下识别率一般，其他五种 情况下识别率分别能达到 95%和99%，并且 本文提出的故障诊断模型识别率更高。这是 因为 CNN 具有多层次网络结构，善于挖掘 数据局部特征，提取全局训练特征并进行分 类工作，是一种鲁棒性强的深度学习模型， 具备良好的适应性。本文在卷积神经网络故 障诊断模型的基础上引入 AdaBN 算法进一 步提高模型的适应性，通过对测试集和训练 集领域分布进行调整，使两者特征表达点基 本重合，领域分布几乎一致，可以有效解决 训练集和测试集数据分布不同造成故障诊 断效果差的问题，因此本文设计的模型可以更好地适应不同负载的数据，相比与基础 CNN 模型故障诊断的识别率进一步提高。
图 3 不同算法的适应性测试结果
5 结论
本文针对故障诊断领域中深度学习模 型参数难以确定、抗噪性差以及不同负载领 域下故障识别率不高的问题，基于深度学习 中的卷积神经网络进行适应性设备故障诊 断方法研究。首先基于模型集成的方法确定 卷积神经网络的模型参数，并引入自适应批 量归一化算法进一步提升模型的适应性。实 验结果表明，本文提出的故障诊断模型具有 较强抗噪性和适应性。
同时，本文还有一些需要改进的地方。 例如，本文提出模型需要在更广泛的应用场 景如设备的齿轮、设备阀等部件数据上验证 模型的性能。此外，深度学习模型的训练时 间偏长，需要对模型学习率策略的设置等进 行研究来进一步提升模型的训练效率。
参考文献
[1] Pan E, Liao W Z, Zhuo M l. Periodic Preventive Maintenance Policy with Infinite Time and Limit of Reliability Based on Health Index [J]. J Shanghai Jiaotong Univ, 2010, 15(2):231-235.
[2] MacGillivary C, Turner V, and Lund D. Worldwide internet of things (IOT) 2013-2020 forecast: Billions of things, trillions of dollars. IDC Q1 Doc, vol. 243661, no.3,pp.1-22, Oct. 2013.
[3] Li L, Yu S S. Image quality assessmentbased on deep learning model [J].Journal of Huazhong University of Science and technology. Nature Science,2016, 44(12): 70-75.
[4] Kim S K, Park Y J, Lee S. Voice activity detection based on deep belief networks using likelihood ratio [J]. Journal of Central South University, 2016, 23: 145-149.
[5] Lecun Y, Bengio Y, Hinton G E. Deep learning [J]. Nature, 2015, 521: 436-444.
[6] Tamilselvan P, Wang P F. Failure diagnosis using deep belief learning based health state classification [J].Reliability Engineering and SystemSafety, 2013, 115(7): 124-135.
[7] Wei D, Gong Q W, Lai W Q, et al. Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network[J]. Proc of the Chinese Society for Electrical Engineering, 2016, 36: 21-28 (in Chinese).
[8] 王震, 黄如意, 李霁蒲, 李巍华. 一种 用于故障分类与预测的多任务特征共 享神经网络[J]. 仪器仪表学报, 2019, 40(07):169-177.
[9] Zhang W, Peng G L, Li C H, Chen Y H, Zhang Z J. A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals [J]. Sensors (Basel, Switzerland), 2017, 17(2): 425.
