基于領(lǐng)域?qū)咕W(wǎng)絡(luò)的軸承故障診斷方法研究

于 龍

(瓦房店軸承集團(tuán)有限責(zé)任公司，遼寧 大連 116300)

1 領(lǐng)域?qū)咕W(wǎng)絡(luò)

DANN是由3部分構(gòu)成的，這3部分分別是基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的特征提取器Gf、故障分類器Gy和領(lǐng)域判別器Gd。為了實(shí)現(xiàn)一個(gè)領(lǐng)域的對(duì)抗，DANN在Gf引入Gd，并在他們之間增加了梯層反轉(zhuǎn)層。學(xué)習(xí)參數(shù)是特征提取器通過最大化領(lǐng)域判別器損失函數(shù)來實(shí)現(xiàn)的，領(lǐng)域判別器的參數(shù)是通過最小化損失函數(shù)來實(shí)現(xiàn)的。

在領(lǐng)域的對(duì)抗中，梯形反轉(zhuǎn)層的前向計(jì)算過程等于是恒等的變化，并且在誤差反向的傳播過程中改變了梯形符號(hào)，其中，Gf參數(shù)的優(yōu)化會(huì)夸大判別器的誤差范圍，整個(gè)學(xué)習(xí)的過程相當(dāng)于是一個(gè)博弈的過程，就看哪一個(gè)參數(shù)最終取勝。前者其實(shí)就是用來區(qū)分輸入特征性的Ds或者是Df。后者的學(xué)習(xí)是具有不受領(lǐng)域變化影響的特征的，這是一大優(yōu)點(diǎn)。

2 網(wǎng)絡(luò)診斷方法的步驟

在實(shí)際的環(huán)境中，由于設(shè)備運(yùn)行的環(huán)境十分復(fù)雜多變，進(jìn)而導(dǎo)致待診斷的數(shù)據(jù)與模型的振動(dòng)數(shù)據(jù)分布特征存在很大的差異，這就是訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)不一樣，存在的差距有點(diǎn)大。我們?cè)诂F(xiàn)實(shí)生活中通過儀器所收集到的數(shù)據(jù)在通常情況下的噪聲較多，由于采集環(huán)境和采集器械的影響，我們所采集到的數(shù)據(jù)一般是不完整的，且由于其維度較高我們提取重點(diǎn)信息較為困難，無法對(duì)其數(shù)據(jù)進(jìn)行直接處理，在這種情況下需要對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)其進(jìn)行進(jìn)一步的排序、篩選和審核，最大程度地減少干擾信息對(duì)重點(diǎn)信息的干擾。

詳細(xì)的運(yùn)算步驟就是利用DANN進(jìn)行故障診斷，其運(yùn)算步驟是：首先是采集到設(shè)備在某些工況下的數(shù)據(jù)，然后利用這些數(shù)據(jù)進(jìn)行訓(xùn)練DANN的那兩個(gè)相關(guān)參數(shù)，之后再去診斷的樣本數(shù)據(jù)，對(duì)這兩個(gè)參數(shù)進(jìn)行對(duì)抗訓(xùn)練，建立相關(guān)的數(shù)據(jù)模型，最后將相關(guān)參數(shù)輸入到相關(guān)的模型中得到診斷結(jié)果。

3 試驗(yàn)的驗(yàn)證

3.1 試驗(yàn)數(shù)據(jù)的簡(jiǎn)介

試驗(yàn)數(shù)據(jù)是來自國家軸承數(shù)據(jù)中心，并且數(shù)據(jù)的振動(dòng)信號(hào)是由軸承的測(cè)試所得的。這種測(cè)試系統(tǒng)是由電動(dòng)機(jī)、測(cè)功器和控制電路構(gòu)成的，軸承都是單一的損傷，軸承的內(nèi)圈、滾珠以及外圈都是由電火花機(jī)制造的。損傷的直徑分別是0.1778mm、0.3556mm、0.5334mm，一共有9種故障的狀態(tài)，這篇文章研究的是16通道的加速度傳感器固定在電機(jī)的輸出軸上所測(cè)的數(shù)據(jù)，采樣的頻率為12kHz。

3.2 模型設(shè)置以及實(shí)驗(yàn)過程

為了保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確可靠性，這次試驗(yàn)進(jìn)行了好多次，進(jìn)一步保證了試驗(yàn)的可靠性和可行性。這次試驗(yàn)一共進(jìn)行了3組試驗(yàn)，其中A組作為源域訓(xùn)練源，而B組和C組則是目標(biāo)域測(cè)試源，分別記作A-B，B-C，第三組和第四組數(shù)據(jù)將作為B組的數(shù)據(jù)源而存在，A和C分別作為目標(biāo)域數(shù)據(jù)源，分別是B-A，B-C，5和6組的數(shù)據(jù)將C作為源數(shù)據(jù)，記做C-1，C-B。

試驗(yàn)的模型采用動(dòng)量梯度下降的算法進(jìn)行計(jì)算，源數(shù)據(jù)的大小為192，當(dāng)模型的損失沒有明顯變化時(shí)就停止訓(xùn)練。在領(lǐng)域?qū)怪g，目標(biāo)數(shù)據(jù)的域數(shù)據(jù)也是192，學(xué)習(xí)的速率為0.001。特征提取器的卷積神經(jīng)算法是在借鑒前人的經(jīng)驗(yàn)和結(jié)合時(shí)代的發(fā)展得出的，這是第一層寬卷積算法，故障診斷器和領(lǐng)域判別器進(jìn)行訓(xùn)練防止過擬合，故障分類器可以將這種狀態(tài)分為10多種，領(lǐng)域判別器是可以將輸出的結(jié)果作為訓(xùn)練數(shù)據(jù)的，并且還可以對(duì)應(yīng)兩種工況。

3.3 實(shí)驗(yàn)結(jié)果

模型在每一個(gè)方面都是具有很高的診斷率的，這就表明受這兩種方法的影響比較小。

為了驗(yàn)證該方法的可行性以及診斷結(jié)果的準(zhǔn)確性，這篇文章在實(shí)際數(shù)據(jù)的基礎(chǔ)上，進(jìn)行了相關(guān)數(shù)據(jù)的對(duì)比，進(jìn)而驗(yàn)證DANN在軸承故障方面是有意義的，并且準(zhǔn)確度是有保證的。

該實(shí)驗(yàn)測(cè)得的準(zhǔn)確度與其他方法的準(zhǔn)確度相比，沒有經(jīng)過訓(xùn)練的特征聚集性是很差的，不同故障的特征之間還是有重疊的，但是通過DANN學(xué)習(xí)的特征聚集性比較集中，同一種故障狀態(tài)的特征是有少數(shù)離散點(diǎn)的，并且他們之間也是沒有交叉的。這就表明了我們所提出的方法經(jīng)過了領(lǐng)域?qū)怪螅瑢W(xué)習(xí)的特征對(duì)領(lǐng)域變化變得不敏感了，并且還具備了故障識(shí)別能力。

3.4 與“傳統(tǒng)信號(hào)處理+機(jī)器學(xué)習(xí)”方法對(duì)比

本文采用偏度、峰值、峭度、歪度等不隨工況變化而發(fā)生顯著變化的特征值作為系統(tǒng)評(píng)價(jià)指標(biāo)，并將其與傳統(tǒng)信號(hào)處理+機(jī)器學(xué)習(xí)的方法進(jìn)行了對(duì)比分析，并利用KNN算法對(duì)試驗(yàn)進(jìn)行了診斷測(cè)試。

最終實(shí)驗(yàn)結(jié)果表明，該實(shí)驗(yàn)準(zhǔn)確率達(dá)到了85%左右，使用基于域的網(wǎng)絡(luò)基于領(lǐng)域?qū)Σ吆头诸悆?yōu)化的設(shè)備故障診斷方法選取特征值的穩(wěn)定性相對(duì)較高，但是使用該方法的缺陷較大，每一組的實(shí)驗(yàn)數(shù)據(jù)中均出現(xiàn)了偏離平均值較高的數(shù)據(jù)，其診斷結(jié)果準(zhǔn)確率低，不具備參考價(jià)值。在與“傳統(tǒng)信號(hào)處理+機(jī)器學(xué)習(xí)”方法對(duì)比的過程中，我們可以發(fā)現(xiàn)，本論文所設(shè)計(jì)使用的基于域的網(wǎng)絡(luò)基于領(lǐng)域?qū)Σ吆头诸悆?yōu)化的設(shè)備故障診斷方案方法較為優(yōu)越，診斷的準(zhǔn)確性更高，平均診斷率遠(yuǎn)遠(yuǎn)高于“傳統(tǒng)信號(hào)處理+機(jī)器學(xué)習(xí)”。傳統(tǒng)信號(hào)處理+機(jī)器學(xué)習(xí)難以實(shí)現(xiàn)識(shí)別所有的故障特征信號(hào)，這是其一大缺陷。本論文提出了面向故障數(shù)據(jù)的基于生成對(duì)抗網(wǎng)絡(luò)的故障診斷方法，采用數(shù)據(jù)轉(zhuǎn)圖像的預(yù)處理方法，并在公開的標(biāo)準(zhǔn)數(shù)據(jù)集上驗(yàn)證了所提方法的可行性。本論文所提倡的基于域的網(wǎng)絡(luò)基于領(lǐng)域?qū)Σ吆头诸悆?yōu)化的設(shè)備故障診斷方法具有通用性，該方法的故障識(shí)別能力遠(yuǎn)遠(yuǎn)高于傳統(tǒng)故障識(shí)別方法。

4 總結(jié)

軸承故障診斷的實(shí)驗(yàn)結(jié)果表明，該方法提高了軸承故障診斷的效率。這種方法有2個(gè)優(yōu)點(diǎn)：

(1)與其他的深度學(xué)習(xí)方法相比，這種方法是正確的野戰(zhàn)訓(xùn)練的故障特征，并且能適應(yīng)工作條件的變化，而且診斷準(zhǔn)確率高。

(2)與“傳統(tǒng)信號(hào)處理+機(jī)器學(xué)習(xí)”方法相比，該方法提取的故障特征能保證所有故障具有足夠的敏感性和較強(qiáng)的普適性，所提出的方法不依賴于信號(hào)處理技術(shù)和專家經(jīng)驗(yàn)，適應(yīng)能力強(qiáng)。