基于領(lǐng)域自適應(yīng)的故障診斷研究與進(jìn)展

楊 青，薛 輝

(沈陽理工大學(xué) 自動化與電氣工程學(xué)院，沈陽 110159)

隨著現(xiàn)代化工業(yè)生產(chǎn)的迅速發(fā)展，在生產(chǎn)過程智能化和安全化的同時，工業(yè)系統(tǒng)的集成化和信息化程度也得到增長，每一個微小的故障都會導(dǎo)致重大的事故發(fā)生。為避免由微小故障而導(dǎo)致后續(xù)的重大事故的發(fā)生，故障檢測與診斷技術(shù)[1]被廣泛的應(yīng)用在工業(yè)生產(chǎn)過程中。如何更加高效快速的對故障問題進(jìn)行精確診斷，受到了越來越多的國內(nèi)外研究學(xué)者的關(guān)注。

目前大多的機(jī)器學(xué)習(xí)算法，依賴于數(shù)據(jù)的生成機(jī)制不隨環(huán)境改變這一基本假設(shè)。假設(shè)訓(xùn)練和測試數(shù)據(jù)是獨(dú)立同分布的，然而，這種假設(shè)在實(shí)際工業(yè)生產(chǎn)中很少成立，因?yàn)閿?shù)據(jù)會隨著時間和空間的變化而改變，從而導(dǎo)致診斷模型的泛化誤差難以達(dá)到實(shí)際生產(chǎn)的故障診斷要求。

遷移學(xué)習(xí)[2-4]放寬了傳統(tǒng)機(jī)器學(xué)習(xí)中訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)必須服從獨(dú)立同分布的約束，能夠在彼此不同但又相互關(guān)聯(lián)的兩個領(lǐng)域間挖掘不變的本質(zhì)特征和結(jié)構(gòu)，還可以有效解決目標(biāo)樣本數(shù)據(jù)量小、數(shù)據(jù)不均衡等問題，更加體現(xiàn)了歷史知識和信息的重用性。其中領(lǐng)域作為進(jìn)行學(xué)習(xí)的主題，針對領(lǐng)域研究的領(lǐng)域自適應(yīng)方法就變成了目前遷移學(xué)習(xí)的研究熱點(diǎn)和重點(diǎn)。本文對遷移學(xué)習(xí)領(lǐng)域自適應(yīng)在故障診斷領(lǐng)域中的應(yīng)用進(jìn)行綜述。

1 遷移學(xué)習(xí)領(lǐng)域自適應(yīng)的研究現(xiàn)狀

根據(jù)領(lǐng)域自適應(yīng)方面的假設(shè)基礎(chǔ)，將其分為數(shù)據(jù)分布、特征選擇和特征變換自適應(yīng)三種，如圖1所示。

1.1 基于數(shù)據(jù)分布的領(lǐng)域自適應(yīng)

假設(shè)數(shù)據(jù)的特征空間相同，并且類別空間也一致，但域之間的邊緣分布或條件分布不同的情況下，通過減小域之間的距離，達(dá)到自適應(yīng)要求。根據(jù)數(shù)據(jù)分布的性質(zhì)，分為邊緣分布自適應(yīng)、條件分布自適應(yīng)及聯(lián)合分布自適應(yīng)。

圖1 領(lǐng)域自適應(yīng)方法分類

邊緣分布自適應(yīng)方法的目標(biāo)是減小域之間的邊緣概率分布距離，從而達(dá)到自適應(yīng)。邊緣分布自適應(yīng)的方法最早由Pan S J等[5]提出，方法名稱為遷移成分分析(Transfer Component Analysis，TCA)。通過找到合適的φ，盡可能的使兩個領(lǐng)域的條件分布P(ys|φ(xs))≈P(yt|φ(xt))。而領(lǐng)域之間的距離通過引入最大均值差異(Maximum Mean Discrepancy，MMD)來計算。在此之后的許多研究工作都以TCA為基礎(chǔ)。Long M等[6]在TCA方法的基礎(chǔ)上，將MMD擴(kuò)展到多核，并且進(jìn)行多層適配的計算。

條件分布自適應(yīng)方法是減小源域和目標(biāo)域的條件概率分布距離。中科院計算所的Wang J等[7]融入了類內(nèi)遷移思想，指出現(xiàn)有的絕大多數(shù)方法都只是學(xué)習(xí)一個全局的特征變換，而忽略了類內(nèi)的相似性；類內(nèi)遷移可以利用類內(nèi)特征，實(shí)現(xiàn)更好的遷移效果。

聯(lián)合分布自適應(yīng)方法主要是減小源域和目標(biāo)域的聯(lián)合概率分布距離。Tahmoresnezhad J等[8]在聯(lián)合分布適配的優(yōu)化目標(biāo)中加入了類內(nèi)距和類間距的計算，提出了基于視覺的領(lǐng)域自適應(yīng)方法(Visual Domain Adaptation，VDA，)。Long M等[9]又提出了聯(lián)合分布度量(Joint Adaptation Network，JAN)方法，優(yōu)化了在深層網(wǎng)絡(luò)中進(jìn)行聯(lián)合分布適配。

1.2 基于特征選擇的領(lǐng)域自適應(yīng)

如果兩個域之間的類別空間一致，說明域之間的特征空間也相同，通過機(jī)器學(xué)習(xí)的方法，選擇源域和目標(biāo)域中均含有的公共特征，在這部分公共特征上構(gòu)建學(xué)習(xí)模型，這就是基于特征選擇的領(lǐng)域自適應(yīng)。Blitzer J等[10]作提出了結(jié)構(gòu)公共特征學(xué)習(xí)(Structural Correspondence Learning，SCL)方法，通過找到兩個領(lǐng)域公共的特征，完成遷移學(xué)習(xí)任務(wù)。Long M等[11]提出了在優(yōu)化目標(biāo)中同時進(jìn)行邊緣分布自適應(yīng)和源域樣本選擇的遷移聯(lián)合匹配(Transfer Joint Matching，TJM)的方法，并取得不錯的效果。Nannan L等[12]提出了通過共享源域和目標(biāo)域特征的方法，實(shí)現(xiàn)無監(jiān)督的領(lǐng)域自適應(yīng)。

1.3 基于特征變換的領(lǐng)域自適應(yīng)

通常假設(shè)源域和目標(biāo)域數(shù)據(jù)在變換后的子空間中會有相似的分布。按照特征變換的形式，將子空間學(xué)習(xí)法分為：基于統(tǒng)計特征變換的統(tǒng)計特征對齊方法，以及基于流形變換的流形學(xué)習(xí)方法。

Sun B等[13]提出了子空間分布對齊(Subspace Distribution Alignment，SDA)方法，該方法在子空間學(xué)習(xí)(Subspace Alignment，SA)的基礎(chǔ)上，加入了概率分布自適應(yīng)；同年又提出二階特征對齊的方法，對兩個領(lǐng)域進(jìn)行二階特征對齊，通過學(xué)習(xí)二階特征變換矩陣，使得源域和目標(biāo)域的特征距離最小。Ghifary M等[14]從增量學(xué)習(xí)中獲得啟發(fā)：把源域和目標(biāo)域看成高維空間(即格拉斯曼流形)中的兩個點(diǎn)，在這兩個點(diǎn)的測地線距離上取d個中間點(diǎn)，然后依次連接。這樣，源域和目標(biāo)域就構(gòu)成了一條測地線的路徑。只需找到每一步中合適的變換函數(shù)，就能從源域變換到目標(biāo)域。Gong B等[15]提出了一種基于核學(xué)習(xí)的測地線流式核(Geodesic Flow Kernel，GFK)的方法，利用路徑上無窮個點(diǎn)的積分，解決了如何確定中間點(diǎn)的個數(shù)問題；又提出根據(jù)領(lǐng)域秩的度量，解決了多源域與目標(biāo)域的距離。

2 領(lǐng)域自適應(yīng)在故障診斷領(lǐng)域的研究

隨著遷移學(xué)習(xí)的價值不斷得到挖掘，機(jī)械設(shè)備故障診斷的研究主要集中在復(fù)雜工況下和數(shù)據(jù)不平衡條件下的診斷預(yù)測問題。

2.1 數(shù)據(jù)分布自適應(yīng)在故障診斷中的應(yīng)用

目前，針對變工況下機(jī)械設(shè)備的故障診斷預(yù)測研究主要集中于如何消除或優(yōu)化變工況情況下的數(shù)據(jù)分布不一致的問題。

在復(fù)雜工況下，機(jī)械設(shè)備的特征空間和類別空間一致的基礎(chǔ)上，沈飛等[16-17]提出一種基于自相關(guān)矩陣奇異值分解的特征提取和遷移學(xué)習(xí)分類器相結(jié)合的方法，用于變轉(zhuǎn)速、變負(fù)載條件下的電機(jī)故障診斷。陳超等[18]針對復(fù)雜工況環(huán)境導(dǎo)致的目標(biāo)診斷數(shù)據(jù)無法直接獲取、訓(xùn)練與測試數(shù)據(jù)分布特性存在差異的問題，提出基于地柜定量分析和改進(jìn)最小二乘支持向量機(jī)相結(jié)合的方法。譚俊杰等[19]以無監(jiān)督遷移成分和深度信念網(wǎng)絡(luò)結(jié)合的方法，提高樣本識別精度。顧濤勇等[20]針對航空維修保障的故障概率預(yù)測領(lǐng)域提出自適應(yīng)權(quán)重的插值擬合遷移學(xué)習(xí)算法，自適應(yīng)的調(diào)整插值、擬合各部分的比例，規(guī)避了數(shù)據(jù)貧化所帶來的預(yù)測風(fēng)險，同時減少了負(fù)遷移現(xiàn)象。Ding Z等[21]提出了一種魯棒度量學(xué)習(xí)框架，消除了樣本空間中兩域的分布差異。Long M等[22]提出一種深度遷移學(xué)習(xí)與自編碼結(jié)合的診斷方法，實(shí)現(xiàn)領(lǐng)域自適應(yīng)。Wen L等[23]建立了一種新的深度遷移學(xué)習(xí)故障診斷方法，提出的方法通過不同工況條件下的軸承數(shù)據(jù)進(jìn)行驗(yàn)證。Zhang X S等[24]提出了一種魯棒轉(zhuǎn)移度量學(xué)習(xí)方法(RTML)框架，消除了樣本空間中兩個域的邊界分布和條件分布差異。

2.2 特征選擇自適應(yīng)在故障診斷中的應(yīng)用

在域類別空間一致的基礎(chǔ)上，將采集到的機(jī)械設(shè)備的特征數(shù)據(jù)遷移到工業(yè)現(xiàn)場設(shè)備所部署的智能模型中，完成不同機(jī)械設(shè)備之間監(jiān)測數(shù)據(jù)的特征知識遷移。

Lu W等[25]采用了最大均值差異法進(jìn)行域自適應(yīng)訓(xùn)練，建立了相應(yīng)的特征遷移模型，提升模型在不同域間的泛化能力。郭亮等[26]提出基于特征知識遷移的故障診斷方法，在所采集的足量的特征基礎(chǔ)上，構(gòu)建工業(yè)現(xiàn)場的特征模型，達(dá)到故障監(jiān)測的效果。

2.3 特征變換在故障診斷中的應(yīng)用

基于統(tǒng)計特征變換的統(tǒng)計特征對齊方法作為特征變換的故障診斷領(lǐng)域中的主要方法之一，在預(yù)測性維護(hù)領(lǐng)域中，得到廣泛使用。由于設(shè)備處于故障狀態(tài)的時間較少導(dǎo)致故障樣本數(shù)量稀缺，以至于收集到的故障樣本數(shù)量遠(yuǎn)小于正常樣本數(shù)量。同時，同類或相似設(shè)備的結(jié)構(gòu)差異、運(yùn)行條件差異等因素導(dǎo)致某設(shè)備故障樣本很難適用于其他設(shè)備，造成行業(yè)內(nèi)故障數(shù)據(jù)的稀缺。遷移學(xué)習(xí)通過構(gòu)建輔助故障分類器或利用特征空間映射來訓(xùn)練半監(jiān)督或無監(jiān)督模型。

康守強(qiáng)等[27-28]針對滾動軸承變工況條件下較難獲取大量帶標(biāo)簽的振動數(shù)據(jù)，以致診斷準(zhǔn)確率低的問題，提出基于變分模態(tài)分解及多特征構(gòu)造和半監(jiān)督遷移成分分析方法相結(jié)合的滾動軸承故障診斷方法。張根保等[29]提出基于棧式稀疏自動編碼器和高階相對熵結(jié)合的故障診斷模型，利用少量的數(shù)據(jù)就可以適應(yīng)新的工況。張振良等[30]針對航空發(fā)動機(jī)軸承故障診斷過程中預(yù)測精度不足以及過擬合的問題，提出了基于遷移學(xué)習(xí)的半監(jiān)督集成學(xué)習(xí)。

由此可見，遷移學(xué)習(xí)在故障診斷數(shù)據(jù)分析和制定決策的過程中作用顯著，最主要的是可有效解決變工況和數(shù)據(jù)量少的問題，為故障診斷領(lǐng)域的研究提供了新的思路。

3 未來發(fā)展趨勢

針對遷移學(xué)習(xí)的特點(diǎn)和目前在預(yù)測性故障診斷領(lǐng)域的研究現(xiàn)狀，未來可能的研究方向有

(1)遷移強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)可以通過邊獲得樣例邊學(xué)習(xí)的方式，利用特定的反饋函數(shù)決定最優(yōu)決策。遷移學(xué)習(xí)則可以利用其他數(shù)據(jù)上訓(xùn)練好的模型幫助訓(xùn)練。將遷移學(xué)習(xí)和強(qiáng)化學(xué)習(xí)結(jié)合，可以進(jìn)一步利用小規(guī)模數(shù)據(jù)，訓(xùn)練出同數(shù)據(jù)量下其他方法所不能達(dá)到的更好的模型。目前遷移強(qiáng)化學(xué)習(xí)已經(jīng)有了一定的進(jìn)展，如何將二者更好結(jié)合，并應(yīng)用在故障診斷領(lǐng)域中，大大減少故障數(shù)據(jù)不足所引發(fā)的模型準(zhǔn)確率下降的問題，是下一步研究的重點(diǎn)。

(2)在線遷移學(xué)習(xí)

目前大多數(shù)遷移學(xué)習(xí)都采用離線方式進(jìn)行，既源域和目標(biāo)域數(shù)據(jù)都已經(jīng)獲取完成，但真實(shí)的場景往往是數(shù)據(jù)(目標(biāo)域)會以數(shù)據(jù)流的形式不間斷的輸入。目前來說，在線遷移學(xué)習(xí)在多源域和目標(biāo)域上自適應(yīng)及在線特征選擇上有一定的研究，但應(yīng)用在故障診斷領(lǐng)域方面的研究工作總體較少。與深度網(wǎng)絡(luò)結(jié)合在線遷移學(xué)習(xí)，如果可以應(yīng)用在工業(yè)現(xiàn)場的故障預(yù)測方向，會大大提高機(jī)械設(shè)備的實(shí)時穩(wěn)定性，更早更快的發(fā)現(xiàn)問題，降低工業(yè)事故的風(fēng)險。

4 結(jié)束語

遷移學(xué)習(xí)在近幾年的發(fā)展中，已經(jīng)發(fā)展成一種分類詳細(xì)、方法眾多的學(xué)習(xí)方法，可極大的提高模型的泛化能力，并能改善小樣本下模型的訓(xùn)練精度。將遷移學(xué)習(xí)應(yīng)用到故障診斷領(lǐng)域，通過數(shù)據(jù)分布、特征選擇和特征變換等方法，克服了傳統(tǒng)機(jī)器學(xué)習(xí)變工況或小樣本數(shù)據(jù)下精度過低的弊端，可有效提高復(fù)雜工況下的設(shè)備診斷精度，并能一定程度上加快在線故障診斷的訓(xùn)練過程，減少模型訓(xùn)練時打標(biāo)簽等過程消耗的人力物力，可以更及時的反應(yīng)工業(yè)現(xiàn)場中的故障問題。但目前在故障診斷領(lǐng)域的應(yīng)用仍處于探索階段，在不同工況或復(fù)雜工況下模型的適應(yīng)能力及實(shí)時數(shù)據(jù)實(shí)時診斷或故障預(yù)測上還有很大的空間丞需研究和解決。