基于ResNet和領(lǐng)域自適應(yīng)的軸承故障診斷研究

楊冰如，李 奇，陳 良，沈長青，朱忠奎

(1.蘇州大學(xué) 機(jī)電工程學(xué)院，江蘇 蘇州 215131；2.蘇州大學(xué) 軌道交通學(xué)院，江蘇 蘇州 215131)

旋轉(zhuǎn)機(jī)械是實(shí)際工業(yè)現(xiàn)場(chǎng)的重要部件之一，通常需要在惡劣的情況下長時(shí)間運(yùn)轉(zhuǎn)，很容易磨損滾動(dòng)軸承等零部件，不可避免會(huì)形成故障[1]。而機(jī)械設(shè)備一旦發(fā)生故障，會(huì)導(dǎo)致大量的經(jīng)濟(jì)損失，嚴(yán)重時(shí)甚至?xí)l(fā)生人身事故，因此可靠準(zhǔn)確的軸承故障診斷方法的研究越來越重要，它能夠?qū)πD(zhuǎn)機(jī)械的健康狀態(tài)進(jìn)行監(jiān)測(cè)與診斷，從而保障機(jī)械設(shè)備的正常運(yùn)行，降低故障風(fēng)險(xiǎn)。隨著智能制造模式的發(fā)展，對(duì)工業(yè)過程中的故障檢測(cè)提出了更高的要求[2]。

軸承振動(dòng)信號(hào)是能為檢測(cè)機(jī)械設(shè)備狀態(tài)提供信息的高精度指標(biāo)[3]，因此大多數(shù)傳統(tǒng)的基于信號(hào)處理的故障診斷方法都是從原始振動(dòng)信號(hào)中提取故障信息，如經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[4]、小波包變換(Wavelet Packet Transform,WPT)[5]和其他時(shí)頻域信號(hào)處理方法。Yu等[6]采用經(jīng)驗(yàn)?zāi)B(tài)分解方法，根據(jù)固有模態(tài)函數(shù)計(jì)算振動(dòng)信號(hào)的原始統(tǒng)計(jì)特征，再結(jié)合特征降維方法，實(shí)現(xiàn)了軸承的故障診斷。Wang等[7]將小波包變換和稀疏編碼相結(jié)合，提出了一種有監(jiān)督的基于稀疏小波變換的軸承故障檢測(cè)方法。小波包變換可以檢測(cè)到軸承信號(hào)發(fā)生的故障。基于結(jié)構(gòu)化字典的稀疏編碼可以找到信號(hào)的魯棒表示，同時(shí)集成類別信息?；谛盘?hào)處理的方法要求分析人員具有一定的先驗(yàn)知識(shí)的儲(chǔ)備，包括機(jī)械方面的專業(yè)知識(shí)和數(shù)學(xué)基礎(chǔ)，才能保證較好的信號(hào)處理效果[8]。

在實(shí)際運(yùn)行過程中的設(shè)備狀況會(huì)受到很多因素的影響，十分復(fù)雜，采用基于信號(hào)處理的診斷方法效果不明顯，因此研究人員引入了機(jī)器學(xué)習(xí)模型來彌補(bǔ)這一不足。Zhang等[9]將經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)(Support Vector Machines,SVM)相結(jié)合，揭示了振動(dòng)信號(hào)多尺度內(nèi)在特征。Mao等[10]針對(duì)故障數(shù)據(jù)比正常數(shù)據(jù)少得多的數(shù)據(jù)不平衡問題，提出了一種基于極限學(xué)習(xí)機(jī)的故障診斷在線時(shí)序預(yù)測(cè)方法。但機(jī)器學(xué)習(xí)診斷模型的性能也往往受到手工提取特征的限制，當(dāng)數(shù)據(jù)結(jié)構(gòu)復(fù)雜時(shí)，難以提取到有效特征。

隨著深度學(xué)習(xí)(Deep Learning)[11]的發(fā)展，其自動(dòng)特征提取的能力在故障診斷領(lǐng)域中有著良好的應(yīng)用前景。Zhang等[12]提出了一種使用稀疏自動(dòng)編碼器(Sparse Auto Encoder,SAE)的新標(biāo)簽生成方法，它能夠從訓(xùn)練樣本中構(gòu)造一個(gè)分布，并識(shí)別那些不屬于已知類別的樣本。Dong等[13]將無監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)相結(jié)合，提出了隨機(jī)卷積深度信念網(wǎng)絡(luò)，通過加入無監(jiān)督成分，提高了模型的泛化能力。Shao等[14]利用生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)學(xué)習(xí)機(jī)械傳感器信號(hào)并生成真實(shí)的帶標(biāo)簽的合成信號(hào)，并將生成的信號(hào)作為擴(kuò)展數(shù)據(jù)用于故障診斷。

然而，深度學(xué)習(xí)模型需要滿足訓(xùn)練集和測(cè)試集服從同一分布的假設(shè)，并且需要大量有標(biāo)簽數(shù)據(jù)才能訓(xùn)練一個(gè)足夠好的模型，這兩個(gè)條件在實(shí)際工業(yè)現(xiàn)場(chǎng)都是難以滿足的。機(jī)械設(shè)備在運(yùn)行過程中會(huì)受到溫度、負(fù)載、運(yùn)行時(shí)間等因素的影響，導(dǎo)致采集的數(shù)據(jù)分布有差異，此時(shí)訓(xùn)練好的深度學(xué)習(xí)模型的診斷效果會(huì)大打折扣。并且為數(shù)據(jù)打標(biāo)簽是個(gè)耗時(shí)耗力的工作，很難收集到大量有標(biāo)簽的數(shù)據(jù)去訓(xùn)練模型。因此將遷移學(xué)習(xí)(Transfer Learning)模型用于機(jī)械故障診斷是近年來新興起但發(fā)展較為迅速的一個(gè)研究方向，其目標(biāo)在于能夠?qū)脑从驅(qū)W習(xí)到的知識(shí)用于解決目標(biāo)域中新的相關(guān)的任務(wù)[15-16]。Wen等[17]提出了一種深度遷移學(xué)習(xí)網(wǎng)絡(luò)，采用了一個(gè)無標(biāo)簽的第三數(shù)據(jù)集來輔助分類，能夠在一定程度上提高分類效果。Zhang等[18]提出了域自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)，將源域和目標(biāo)域分別輸入到各自的特征提取器中，使源域和目標(biāo)域的實(shí)例樣本在映射后具有相似的分布，實(shí)現(xiàn)了不同工作條件下的軸承故障診斷。Guo等[19]提出了深度卷積遷移學(xué)習(xí)網(wǎng)絡(luò)，包括狀態(tài)識(shí)別和域自適應(yīng)兩個(gè)模塊，通過最大化域識(shí)別誤差和最小化概率分布距離，使一維卷積神經(jīng)網(wǎng)絡(luò)更容易學(xué)習(xí)域不變特征。Li等[20]通過人工生成用于領(lǐng)域自適應(yīng)的偽樣本，能夠在機(jī)器故障條件下的測(cè)試數(shù)據(jù)不能用于訓(xùn)練時(shí)提供可靠的跨領(lǐng)域診斷結(jié)果。

綜上所述，基于信號(hào)處理的方法和機(jī)器學(xué)習(xí)方法都非常依賴先驗(yàn)知識(shí)的儲(chǔ)備，深度學(xué)習(xí)模型需要滿足的假設(shè)在實(shí)際工業(yè)現(xiàn)場(chǎng)難以滿足，而目前大多數(shù)的遷移學(xué)習(xí)模型僅匹配一種分布差異，邊緣分布差異或是條件分布差異，并且在匹配特征分布時(shí)，有些學(xué)者認(rèn)為高層特征的可遷移性顯著下降[21]，而有些學(xué)者則認(rèn)為低層特征更導(dǎo)致了領(lǐng)域分布差異[22]。針對(duì)上述問題，本文采用經(jīng)過預(yù)訓(xùn)練的深度殘差網(wǎng)絡(luò)(Residual Network,ResNet)作為特征提取器，對(duì)4個(gè)殘差塊提取的源域和目標(biāo)域特征計(jì)算最大均值差異(Maximum Mean Discrepancy,MMD)以匹配邊緣分布，通過為目標(biāo)域數(shù)據(jù)打偽標(biāo)簽匹配條件分布差異。經(jīng)實(shí)驗(yàn)證明，在變工況的場(chǎng)景下，該模型能在提高診斷精度的同時(shí)，對(duì)軸承故障進(jìn)行定性、定量診斷。

1 理論背景

1.1 領(lǐng)域自適應(yīng)

遷移學(xué)習(xí)是目前受到眾多研究人員廣泛關(guān)注的一個(gè)研究方向，并已在圖像識(shí)別[23]、語音識(shí)別[24]、文本識(shí)別[25]等領(lǐng)域成功應(yīng)用。領(lǐng)域自適應(yīng)(Domain Adaptation)可以看作是遷移學(xué)習(xí)中的一種特定的設(shè)置[26]。

領(lǐng)域D中包含樣本空間X和樣本的邊緣分布P(X)，可以表示為D={X，P(X)}，即Ds≠Dt意味著Xs≠Xt或(和)Ps(X)≠Pt(X)。

任務(wù)T包含標(biāo)簽空間Y和目標(biāo)預(yù)測(cè)函數(shù)f(·)，可以表示為T={Y，f(·)}，從概率的觀點(diǎn)來看，f(·)也可以表示為條件分布P(Y|X)，即Ts≠Tt意味著Ys≠Yt或(和)Ps(Y|X)≠Pt(Y|X)。

當(dāng)Ds和Dt差距較大時(shí)，如圖1(a)所示，此時(shí)Dt中每一類的中心都和Ds中的相距較遠(yuǎn)，匹配邊緣分布更為重要。而當(dāng)邊緣分布比較接近時(shí)，如圖1(b)所示，此時(shí)Dt中每一類的中心和Ds中的差距較小，則更應(yīng)該關(guān)注匹配條件分布差異。在實(shí)際工業(yè)場(chǎng)景中，Ds和Dt的邊緣分布和條件分布往往都會(huì)有差異，對(duì)領(lǐng)域自適應(yīng)產(chǎn)生不同的影響，因此在本文中同時(shí)匹配邊緣分布和條件分布，如圖1(c)所示。

圖1 邊緣分布和條件分布對(duì)領(lǐng)域自適應(yīng)的不同影響

1.2 深度殘差網(wǎng)絡(luò)

在2015年提出的深度殘差網(wǎng)絡(luò)(ResNet)[28]取得了當(dāng)年ImageNet數(shù)據(jù)集[29]的分類比賽冠軍。它解決了當(dāng)深度網(wǎng)絡(luò)層數(shù)增加時(shí)，網(wǎng)絡(luò)準(zhǔn)確率出現(xiàn)飽和甚至下降的問題，并且具有很強(qiáng)的特征提取能力?？紤]到數(shù)據(jù)集的規(guī)模，采用ResNet18作為特征提取器，網(wǎng)絡(luò)包含4個(gè)殘差塊，每個(gè)殘差塊的內(nèi)部結(jié)構(gòu)如圖2所示，具體網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1所示。Conv代表一個(gè)卷積層(Convolutional Layer)，BN代表批標(biāo)準(zhǔn)化(Batch Normalization)，ReLU代表線性修正單元(Rectified Linear Unit)，是一種激活函數(shù)，F(xiàn)C代表全連接層(Fully Connected Layer)。

圖2 殘差塊內(nèi)部結(jié)構(gòu)

表1 ResNet18網(wǎng)絡(luò)參數(shù)

原始結(jié)構(gòu)的ResNet18在圖像識(shí)別領(lǐng)域取得了巨大的成功，但在本文中，僅將ResNet18作為特征提取器，并且結(jié)合軸承信號(hào)的特性，對(duì)其進(jìn)行一些改動(dòng)。首先，為了匹配軸承信號(hào)維度，將Conv1的內(nèi)核尺寸改為3×3；其次為了盡可能保留狀態(tài)信息，去掉Max pool層；最后不需要ResNet18的分類功能，去掉FC層和Softmax層。修改后的具體網(wǎng)絡(luò)參數(shù)如表2所示。

表2 修改后的ResNet18網(wǎng)絡(luò)參數(shù)

1.3 最大均值差異(MMD)

為了尋找到合適的f(·)，需要縮小Ds和Dt間的分布差異d(Xs,Xt)，許多遷移學(xué)習(xí)方法中都采用MMD[30]來衡量邊緣分布差異。

(1)

式中，U和V為兩種分布樣本;Hk為再生核希爾伯特空間(Reproducing Kernel Hilbert Space,RKHS)，k為內(nèi)核。內(nèi)核的選擇對(duì)于MMD有著重要的影響，因?yàn)椴煌暮丝赡軙?huì)在不同的RKHSs中嵌入概率分布[31]，并且有研究表明與單一內(nèi)核相比，采用多核MMD(Multiple Kernel-Maximum Mean Discrepancy,MK-MMD)能夠極大地提高自適應(yīng)的效率[32]，因此在本文中使用了多個(gè)內(nèi)核的混合。

(2)

式中，G為內(nèi)核數(shù)量;kθi為帶寬為θi的高斯核(Gaussian kernel)。在本文中，使用了帶寬分別為4,8,16,32和64的5個(gè)高斯核的混合。

2 基于多層領(lǐng)域自適應(yīng)的故障診斷

2.1 模型設(shè)計(jì)

針對(duì)變工況場(chǎng)景下的軸承故障診斷問題，所設(shè)計(jì)的模型結(jié)構(gòu)如圖3所示。

圖3 整體網(wǎng)絡(luò)結(jié)構(gòu)

首先，如1.2節(jié)所述，采用改進(jìn)過的ResNet18作為特征提取器。來自Ds和Dt的數(shù)據(jù)進(jìn)入同一個(gè)預(yù)訓(xùn)練好的特征提取器。為了能夠提取到有效的可遷移特征，需要充分減小兩個(gè)域之間的特征分布差異，因此采用1.3節(jié)中介紹的MK-MMD作為優(yōu)化目標(biāo)。雖然MMD距離已經(jīng)在遷移學(xué)習(xí)方法中被廣泛使用，但大多數(shù)研究只是最小化網(wǎng)絡(luò)最后一層的分布差異，然而兩個(gè)域之間的域偏移不僅僅會(huì)出現(xiàn)在最高層，因此只最小化單個(gè)層間的差異不能有效地匹配Ds和Dt間的偏差。在本文中，通過對(duì)每一個(gè)殘差塊提取的特征都計(jì)算MK-MMD距離進(jìn)行多層適配，即對(duì)多個(gè)殘差塊層進(jìn)行領(lǐng)域自適應(yīng)，以匹配邊緣分布差異。MK-MMD的損失可定義為

(3)

式中，Nl為計(jì)算MK-MMD的層數(shù);K為高斯核的個(gè)數(shù);Ul和Vl分別為第l個(gè)殘差塊提取的Ds和Dt的分布;MMDk(Ul,Vl)為通過式(2)計(jì)算的MK-MMD距離，k為內(nèi)核。

在兩個(gè)工況不同的域中，故障診斷的任務(wù)是相同的，即分類的類別是相同的。由于Ds的標(biāo)簽是已知的，可以最小化訓(xùn)練樣本的分類誤差，采用交叉熵作為優(yōu)化目標(biāo)：

(4)

通過多層領(lǐng)域適配，可以減小可遷移特征的分布差異，匹配邊緣分布，但是Dt的無標(biāo)簽數(shù)據(jù)無法運(yùn)用到訓(xùn)練中，因此引入偽標(biāo)簽來解決這個(gè)問題，匹配條件分布差異。偽標(biāo)簽的生成可以分為兩步：標(biāo)簽的概率預(yù)測(cè)和偽標(biāo)簽轉(zhuǎn)化[33]。在所提模型中，每個(gè)殘差塊后都有一個(gè)與之匹配的分類器(FC層)，經(jīng)過分類器和Softmax層給出的標(biāo)簽的預(yù)測(cè)概率分布計(jì)算式為

(5)

式中，yi為第i個(gè)樣本;C為總的類別數(shù);W為相應(yīng)類別的權(quán)重。偽標(biāo)簽的轉(zhuǎn)換可表示為

(6)

(7)

總的偽標(biāo)簽損失函數(shù)可計(jì)算如下：

(8)

由此可得，整體模型的損失函數(shù)可表示為

Ltotal=Lclf+λ1LMMD+λ2Lp

(9)

式中，λ1和λ2為權(quán)衡系數(shù)。

2.2 診斷流程

所提出的故障診斷模型的整體流程圖如圖4所示。

圖4 故障診斷流程圖

首先，從實(shí)驗(yàn)臺(tái)上采集原始振動(dòng)信號(hào)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，每個(gè)樣本取2048個(gè)采樣點(diǎn)經(jīng)過快速傅里葉變換(Fast Fourier Transform,FFT)后轉(zhuǎn)化為頻域信號(hào)，由于經(jīng)過FFT變換后的信號(hào)是對(duì)稱的，所以取變換后頻域信號(hào)的前1024個(gè)點(diǎn)作為模型的輸入。將數(shù)據(jù)劃分為有標(biāo)簽的源域數(shù)據(jù)集和無標(biāo)簽的目標(biāo)域數(shù)據(jù)集，并進(jìn)一步劃分為訓(xùn)練集和測(cè)試集。另外，為了加速模型訓(xùn)練的進(jìn)程，使用源域數(shù)據(jù)對(duì)ResNet18進(jìn)行預(yù)訓(xùn)練，保存效果最好的網(wǎng)絡(luò)參數(shù)，在訓(xùn)練模型時(shí)直接讀取。

其次，在模型訓(xùn)練階段，batch的大小設(shè)為64，即每次從源域和目標(biāo)域數(shù)據(jù)中各取64個(gè)樣本輸入到模型中進(jìn)行訓(xùn)練。通過預(yù)訓(xùn)練好的ResNet18提取可遷移特征，減小源域和目標(biāo)域的分布差異。在網(wǎng)絡(luò)的頂層，應(yīng)用FC層作為分類器，利用模型學(xué)習(xí)到的可遷移特征，對(duì)軸承健康狀態(tài)進(jìn)行分類。引入Adam算法[34]對(duì)整體模型參數(shù)進(jìn)行優(yōu)化，加快模型收斂。

最后，當(dāng)模型訓(xùn)練結(jié)束后，將目標(biāo)域的測(cè)試集樣本輸入到模型中評(píng)估模型的能力，輸出最終的故障診斷結(jié)果。

3 實(shí)驗(yàn)對(duì)比

3.1 數(shù)據(jù)集描述

研究軸承故障診斷方法需要使用真實(shí)、有效的軸承故障數(shù)據(jù)，以保障開展的實(shí)驗(yàn)和所驗(yàn)證研究方法的有效性和科學(xué)性。本文采用的是實(shí)驗(yàn)室自制軸承故障試驗(yàn)平臺(tái)，如圖5所示。該平臺(tái)由驅(qū)動(dòng)電機(jī)、梅花聯(lián)軸器、健康軸承、測(cè)試軸承、測(cè)力器、加速度傳感器和NIPXle-1082數(shù)據(jù)采集系統(tǒng)等裝置組成，測(cè)試軸承型號(hào)為6205-2RS SKF。在不同負(fù)載情況下試驗(yàn)臺(tái)中的加速度傳感器負(fù)責(zé)采集軸承的振動(dòng)信號(hào)。

圖5 滾動(dòng)軸承振動(dòng)數(shù)據(jù)采集試驗(yàn)平臺(tái)

該實(shí)驗(yàn)平臺(tái)在采樣頻率為10 kHz和不同的電機(jī)負(fù)載(0 kN,1kN,2 kN,3 kN)情況下進(jìn)行了故障模擬實(shí)驗(yàn)，采集到了不同工況下不同故障類型和不同故障尺寸的軸承振動(dòng)信號(hào)數(shù)據(jù)，軸承健康狀態(tài)包括正常狀態(tài)(Normal)、內(nèi)圈故障(Inner Race Fault,IF)、外圈故障(Outer Race Fault,OF)和滾動(dòng)體故障(Ball Fault,BF)4種，軸承故障尺寸包括0.3 mm，0.4 mm和0.5 mm。

實(shí)驗(yàn)采用了4種不同電機(jī)負(fù)載的軸承故障數(shù)據(jù)。每種負(fù)載下包含了4種故障類型和3種故障尺寸，共10種健康狀態(tài)，每種狀態(tài)包括320個(gè)訓(xùn)練樣本和160個(gè)測(cè)試樣本，具體信息如表3所示。

表3 數(shù)據(jù)集設(shè)置

3.2 實(shí)驗(yàn)結(jié)果與對(duì)比分析

3.2.1 不同參數(shù)設(shè)置的對(duì)比

不同的參數(shù)設(shè)置會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生不同程度的影響。在實(shí)驗(yàn)中，學(xué)習(xí)率設(shè)置為0.0001，λ1和λ2分別為1和0.1。首先，為了驗(yàn)證多層領(lǐng)域自適應(yīng)的效果，設(shè)計(jì)了僅匹配第一個(gè)殘差塊的特征和僅匹配最高層特征的兩組對(duì)比實(shí)驗(yàn)。其次，為了驗(yàn)證MMD距離多個(gè)內(nèi)核的效果，將僅使用一個(gè)帶寬為4的內(nèi)核作為一組對(duì)比。另外，為了驗(yàn)證頻域信號(hào)作為輸入的優(yōu)勢(shì)，將直接輸入時(shí)域信號(hào)作為對(duì)比。具體的對(duì)比實(shí)驗(yàn)結(jié)果如表4所示。其中，遷移方向指不同負(fù)載間的遷移，如0-1是指負(fù)載為0 kN的數(shù)據(jù)作為源域，遷移到負(fù)載為1 kN的目標(biāo)域。用MK(1,2,3,4,fc,p)表示本文所提出的方法，MK代表多個(gè)內(nèi)核，SK代表單個(gè)內(nèi)核，數(shù)字代表特征匹配的殘差塊層，fc代表分類器，p代表偽標(biāo)簽。當(dāng)只匹配單層的時(shí)候，只計(jì)算該層的MK-MMD距離和偽標(biāo)簽。T-MK(1,2,3,4,fc,p)代表用時(shí)域信號(hào)作為輸入，其余實(shí)驗(yàn)都采用經(jīng)過FFT處理的頻域信號(hào)作為輸入。

由表4可以看出，所提模型在所有的設(shè)置中獲得了最高的平均準(zhǔn)確率，能夠達(dá)到99%。通過第1組和第2組的對(duì)比可以看出，低層特征和高層特征都會(huì)導(dǎo)致一定程度的域偏移，只匹配高層的特征比只匹配低層的特征能獲得更好的準(zhǔn)確率，說明高層特征所導(dǎo)致的分布差異更為嚴(yán)重，并且當(dāng)源域和目標(biāo)域分布差異比較大的時(shí)候，如0 kN和3 kN之間的遷移，多層特征匹配的優(yōu)勢(shì)比較明顯。通過第3組實(shí)驗(yàn)設(shè)置的對(duì)比可以看出，單個(gè)MMD核也可以取得不錯(cuò)的效果，但當(dāng)兩個(gè)域之間分布差異較大時(shí)，所提出的模型依然可以取得較大的提升，證明了多個(gè)內(nèi)核混合的效果較好。第4組對(duì)比的設(shè)置中去掉了偽標(biāo)簽，從結(jié)果中可以看出，偽標(biāo)簽在一定程度上能夠提升分類的效果。直接輸入時(shí)域信號(hào)的對(duì)比結(jié)果表明，輸入經(jīng)過FFT處理的頻域信號(hào)能夠取得更高的診斷精度。

表4 不同參數(shù)實(shí)驗(yàn)對(duì)比結(jié)果

圖6展示了不同參數(shù)設(shè)置的實(shí)驗(yàn)結(jié)果雷達(dá)圖，從圖中可以更直觀地看出所提模型在所有參數(shù)設(shè)置中取得了整體的最好效果。

圖6 不同參數(shù)實(shí)驗(yàn)對(duì)比雷達(dá)圖

3.2.2 不同方法的對(duì)比

為了展示所提模型的效果，分別將其與遷移成分分析(Transfer Component Analysis,TCA)[26]、聯(lián)合分布適配(Joint Distribution Adaptation,JDA)[35]、CORAL(Correlation Alignment)[36]和作為預(yù)訓(xùn)練模型的ResNet18相比較，對(duì)比實(shí)驗(yàn)結(jié)果如表5所示。

表5 不同方法的實(shí)驗(yàn)對(duì)比結(jié)果

前3種方法為傳統(tǒng)的遷移學(xué)習(xí)方法，當(dāng)源域和目標(biāo)域分布差異比較小的時(shí)候，如0 kN和1 kN間相互遷移時(shí)，3種方法都能取得不錯(cuò)的效果。而當(dāng)兩個(gè)域之間分布差異較大時(shí)，遷移效果則會(huì)有明顯下降，這說明工況變化的程度會(huì)影響數(shù)據(jù)分布的變化程度和所提取特征的泛化能力。而作為預(yù)訓(xùn)練模型的ResNet18，體現(xiàn)出了特征提取能力，而由于不具備遷移的能力，在不進(jìn)行領(lǐng)域自適應(yīng)的情況下難以直接對(duì)目標(biāo)域進(jìn)行診斷。

圖7展示了不同方法的實(shí)驗(yàn)對(duì)比雷達(dá)圖，可以看出，所提模型在12組遷移任務(wù)中都獲得了最高的準(zhǔn)確率，有較好的泛化能力。

圖7 不同方法實(shí)驗(yàn)對(duì)比雷達(dá)圖

為了進(jìn)一步確認(rèn)所提模型是否提取到了可遷移特征，引入t-SNE[37]對(duì)各個(gè)方法提取的特征進(jìn)行降維可視化，結(jié)果如圖8所示，展示的是0 kN為源域，3 kN為目標(biāo)域的遷移任務(wù)?？梢钥闯?，使用遷移學(xué)習(xí)的方法都能夠在一定程度上匹配特征的分布差異，但是效果有限。相比之下，所提模型能夠清晰地提取到可遷移特征，減小兩個(gè)域之間的域偏移，將在源域?qū)W習(xí)到的知識(shí)有效地運(yùn)用到了目標(biāo)域中，實(shí)現(xiàn)高精度的故障診斷。

圖8 特征可視化

4 結(jié)束語

針對(duì)變工況場(chǎng)景下的軸承故障診斷問題，提出了基于多層領(lǐng)域自適應(yīng)的故障診斷模型，可以有效提取到可遷移性特征，對(duì)軸承進(jìn)行定性、定量的故障診斷。首先，采用預(yù)訓(xùn)練好的ResNet18作為特征提取器，并對(duì)每個(gè)殘差塊提取的特征都計(jì)算MK-MMD距離，匹配邊緣分布差異。其次，將每個(gè)殘差塊提取的特征輸入與之匹配的分類器中，再通過Softmax層計(jì)算預(yù)測(cè)概率分布，并轉(zhuǎn)化為偽標(biāo)簽，匹配條件分布差異。最后，引入Adam優(yōu)化器，對(duì)整體模型參數(shù)進(jìn)行優(yōu)化，加快模型訓(xùn)練，提高模型收斂速度。通過12組遷移任務(wù)的實(shí)驗(yàn)表明，本文所提出的方法通過同時(shí)匹配高層和低層特征，能夠有效減小域偏移，運(yùn)用從源域數(shù)據(jù)集中學(xué)習(xí)到的知識(shí)對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行有效的故障診斷，達(dá)到了較高的精度，并具有一定的泛化能力。