類別標簽輔助改進稠密網(wǎng)絡(luò)的變工況軸承故障診斷

孫潔娣，劉 保，溫江濤，時培明，閆盛楠,肖啟陽

(1.燕山大學(xué) 信息科學(xué)與工程學(xué)院，河北 秦皇島 066004；2.燕山大學(xué) 河北省信息傳輸與信號處理重點實驗室，河北 秦皇島 066004;3.燕山大學(xué) 河北省測試計量技術(shù)及儀器重點實驗室,河北 秦皇島 066004；4.河南大學(xué) 人工智能學(xué)院，鄭州 475000)

滾動軸承作為旋轉(zhuǎn)機械的重要部件，對整個旋轉(zhuǎn)機械的安全運行有著直接影響。軸承出現(xiàn)故障可能導(dǎo)致大量人力財力損失，因此快速準確的軸承故障診斷在機械健康狀態(tài)管理中意義重大。近年來，軸承故障診斷已由傳統(tǒng)方法向智能化方向轉(zhuǎn)變，基于數(shù)據(jù)驅(qū)動的智能機械故障診斷方法取得了較大發(fā)展[1-4]。

隨著深度學(xué)習(xí)在多學(xué)科交叉研究中取得了令人矚目的成績，學(xué)者們將其引入機械故障診斷中，形成了一類新的智能故障診斷方法。該類方法主要通過復(fù)雜的學(xué)習(xí)算法提取高維特征中的隱藏信息，建立輸入數(shù)據(jù)與預(yù)測類別之間的關(guān)系，繼而實現(xiàn)端到端的識別。在眾多方法中，深度卷積網(wǎng)絡(luò)因其具有的強大特征提取能力得到了廣泛關(guān)注，文獻[5]利用卷積網(wǎng)絡(luò)從振動信號頻譜中自動學(xué)習(xí)特征，實現(xiàn)了變速箱健康狀態(tài)診斷。文獻[6]利用三維卷積網(wǎng)絡(luò)對原始振動信號的時頻圖像進行自動化特征提取，實現(xiàn)了齒輪箱復(fù)合故障的識別。文獻[7]利用CNN對原始監(jiān)測信號的二維矩陣進行自適應(yīng)特征提取，實現(xiàn)了軸承故障識別。

分析文獻發(fā)現(xiàn)，多數(shù)診斷方法均假設(shè)訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)同分布，數(shù)據(jù)來自同一工況下機械振動信號。而實際軸承診斷應(yīng)用中，運行工況復(fù)雜多變，不同工況下軸承的振動信號差別較大，直接將前述方法應(yīng)用于變工況的軸承故障診斷中將導(dǎo)致故障識別準確率大幅度降低，嚴重限制了很多理論上成功的診斷方法在復(fù)雜工況下的應(yīng)用。因此，針對軸承實際應(yīng)用中的多工況變化導(dǎo)致的數(shù)據(jù)分布差異問題，研究自適應(yīng)的特征提取及識別方法，實現(xiàn)復(fù)雜變工況環(huán)境下的軸承智能故障診斷是目前該領(lǐng)域的迫切需要。

遷移學(xué)習(xí)(transfer learning,TL)為解決變工況下的軸承故障診斷帶來了新思路[8-10]，其嘗試將源域知識應(yīng)用于目標域的樣本分類任務(wù)中。很多學(xué)者研究了多種遷移識別方法，文獻[11]利用自動編碼機提取軸承故障信號的敏感特征，通過引入特征域適應(yīng)，提升了網(wǎng)絡(luò)在小樣本情況下的診斷準確度。文獻[12]基于卷積神經(jīng)網(wǎng)絡(luò)提出一種遷移學(xué)習(xí)分析方法,實現(xiàn)了齒輪箱故障識別。文獻[13]基于卷積神經(jīng)網(wǎng)絡(luò)，在全連接層處的域適應(yīng)損失及卷積網(wǎng)絡(luò)分類誤差共同作用下實現(xiàn)了不同機械間的故障識別。為了更好的對齊源域和目標域特征分布，文獻[14]在卷積神經(jīng)網(wǎng)絡(luò)的多層中引入最大均值差異來最小化數(shù)據(jù)的特征分布差異，在兩種機械間的跨域診斷任務(wù)中實現(xiàn)了很好的識別結(jié)果。文獻[15]在以上深度遷移學(xué)習(xí)的基礎(chǔ)上，通過結(jié)合域適應(yīng)和域分類器損失實現(xiàn)了目標機械的故障診斷識別。

上述文獻表明，源域和目標域間的特征分布差異信息能夠有效提高網(wǎng)絡(luò)的跨工況適應(yīng)性、輔助深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)不同工況下的軸承故障診斷任務(wù)。以上算法雖然取得了較好的識別效果，但是忽略了信號特征提取過程的優(yōu)化以及不同域中樣本的標簽概率分布信息對故障分類的潛在作用。

針對以上問題，本文提出優(yōu)化的特征提取和知識遷移的故障診斷方法。該方法引入稠密卷積網(wǎng)絡(luò)和注意力機制來優(yōu)化信號的特征提取過程，同時引入標簽概率分布適應(yīng)來對網(wǎng)絡(luò)輸出的源域和目標域樣本標簽分布進行優(yōu)化。模型中的稠密卷積網(wǎng)絡(luò)和注意力機制負責信號多層特征的提取及特征重要程度標識；標簽概率分布適應(yīng)在特征分布適應(yīng)的基礎(chǔ)上進行二次分布對齊，從而更有效的實現(xiàn)域知識遷移，實現(xiàn)變工況軸承故障診斷。實驗結(jié)果表明，相較于傳統(tǒng)方法，本文所提出的方法從特征提取和域適應(yīng)的角度都實現(xiàn)了更高的跨工況故障診斷準確率。

1 深度神經(jīng)網(wǎng)絡(luò)的特征提取

深度卷積神經(jīng)網(wǎng)絡(luò)CNN因其良好的性能常被用作機械故障信號特征提取模型，但其本身也存在不足之處[16-19]。稠密卷積網(wǎng)絡(luò)(DenseNet)作為CNN的一種變體，通過將網(wǎng)絡(luò)內(nèi)部不同層次的特征合并傳遞，增強特征的傳遞性，實現(xiàn)淺層特征重復(fù)利用，有效緩解梯度消失并提高網(wǎng)絡(luò)的收斂效率[20-21]。

1.1 基于稠密卷積的特征提取

DenseNet本質(zhì)上是一種具有較深層數(shù)的卷積神經(jīng)網(wǎng)絡(luò)，主要由稠密卷積塊和過渡層構(gòu)成。

稠密卷積塊在特征提取過程中，為了確保網(wǎng)絡(luò)的前饋性以及網(wǎng)絡(luò)各層能夠提取最大信息量，對各層特征進行拼接，每一個卷積層都從前面的各卷積層中獲得額外的輸入，并將本層的特征映射傳遞給后面所有層。設(shè)x0為稠密卷積塊的輸入，x0經(jīng)過稠密塊第一層卷積處理得到特征x1,第二層卷積層的輸入為[x0,x1]，第L層卷積的輸入特征則為[x0,x1,…,xL-1]。每層卷積的處理可表述為下式

(1)

式中:xi為輸入特征;wi為權(quán)重參數(shù);b為偏置;f(·)為非線性激活函數(shù)。

為了有效控制網(wǎng)絡(luò)參數(shù)數(shù)量，在每個稠密卷積塊后連接一個包含1*1卷積層和平均池化層的過渡層，對特征進行降維處理。

1.2 基于注意力機制的特征重要性區(qū)分

對于稠密卷積網(wǎng)絡(luò)所提取的信號特征，卷積注意力機制(convolutional block attention module，CBAM)[22]通過通道及空間注意力處理分析，實現(xiàn)了特征權(quán)重的差異性區(qū)分。結(jié)合一維卷積網(wǎng)絡(luò)結(jié)構(gòu)，本文基于CBAM的特征區(qū)分處理過程如圖1所示。

圖1 本文基于CBAM的特征區(qū)分Fig.1 Feature distinguishing processing based on CBAM

通道注意力處理包含降維、特征變換、特征激活三部分。輸入特征F在空間維度上進行全局平均池化和全局最大池化，得到降維后的特征Favg、Fmax。該特征在共享權(quán)重的卷積網(wǎng)絡(luò)中進行非線性變換，得到特征Convc(Favg)、Convc(Fmax)。利用Sigmoid函數(shù)對輸出的兩個特征求和結(jié)果進行激活，得到通道注意力權(quán)重分布圖Wc，權(quán)重分布圖中標識了各個通道特征的重要性，代表著特征圖的各通道特征對網(wǎng)絡(luò)跨域識別任務(wù)的貢獻率。通道注意力的輸出特征權(quán)重可用式(2)表示。

Wc=σ(Convc(AvgPool(F))+Convc(MaxPool(F)))=

σ(Convc(Favg)+Convc(Fmax))

(2)

式中，σ為sigmoid激活函數(shù)，Convc為通道注意力處理中權(quán)重共享的卷積層。

Ws=σ(Convs([AvgPool(F′);MaxPool(F′)]))=

(3)

式中，σ為sigmoid激活函數(shù)，Convs為權(quán)重共享卷積層。

2 領(lǐng)域適配

通過特征映射尋找兩個域的相關(guān)性，找到對兩個域分布影響較小的潛在參數(shù)，實現(xiàn)域不變特征的遷移是基于特征的遷移學(xué)習(xí)主要解決的問題。

2.1 特征概率分布適配

遷移學(xué)習(xí)基于領(lǐng)域適配理論[23]將兩個域中的特征非線性的映射到同一個高維空間，在該空間中對不同分布特征進行對齊，特征域適應(yīng)過程如圖2所示。

圖2 基于特征映射的遷移學(xué)習(xí)結(jié)構(gòu)圖Fig.2 Transfer learning based on feature mapping

最大均值差異MMD[24-25]常用于判斷圖中兩個特征分布是否相同，但該指標側(cè)重度量不同域分布間的整體差異，未考慮不同域分布中任何細粒度信息。局部最大均值差異(local maximum mean discrepancy,LMMD)[26]將源域和目標域特征劃分為多個子域分布，并計算源域和目標域中相關(guān)子域特征分布間的距離。給定兩個獨立數(shù)據(jù)集x和y，LMMD計算如式(4)。

(4)

(5)

lic為標簽編碼向量li的第c項。

2.2 標簽概率分布域適配

為了更好的利用不同域間的特征知識，在特征域適應(yīng)的基礎(chǔ)上，從跨工況情境下兩個域共享相同標簽空間的角度出發(fā)，本文提出對跨域識別任務(wù)中兩個域內(nèi)的標簽概率分布進行適配，在特征子域分布適配之后，增加標簽概率分布適配，改善識別效果。

考慮到目標域數(shù)據(jù)的無標簽問題，本文結(jié)合網(wǎng)絡(luò)softmax層的輸出結(jié)果實現(xiàn)對源域和目標域的標簽概率分布對齊。Softmax層中的計算公式為

(6)

式中:i代表k中的某個分類;gi代表該分類的值。

一方面，softmax層作為網(wǎng)絡(luò)的最后一層，包含著數(shù)據(jù)集的非線性特征信息；另一方面，softmax層將源域和目標域數(shù)據(jù)的多分類結(jié)果以概率分布p和q的形式展現(xiàn)，分別刻畫了網(wǎng)絡(luò)預(yù)測標簽對不同類別的歸屬程度。對于網(wǎng)絡(luò)中softmax層的輸出，可以應(yīng)用MMD距離度量函數(shù)度量兩個標簽概率分布的差異。進一步將該差異作為網(wǎng)絡(luò)的損失函數(shù)，約束網(wǎng)絡(luò)的訓(xùn)練過程。標簽概率分布差異的度量如式(7)

(7)

式中:dk(·)為MMD距離度量函數(shù);pl,ql為softmax層輸出的源域、目標域標簽概率分布;K為高斯徑向基核函數(shù)的數(shù)量;γ為各個核函數(shù)系數(shù)。

3 本文所提方法

綜合考慮網(wǎng)絡(luò)特征提取能力和數(shù)據(jù)特征及標簽信息利用，本文提出結(jié)合注意力機制的稠密卷積網(wǎng)絡(luò)以及標簽概率域適應(yīng)的軸承跨域診斷模型。如圖3所示。

圖3 本文的深度遷移診斷模型Fig.3 Proposed deep transfer diagnosis network

3.1 稠密卷積特征提取模型構(gòu)建

本文首先采用稠密連接的一維卷積網(wǎng)絡(luò)對輸入信號進行特征提取，網(wǎng)絡(luò)的第一層卷積采用1×6卷積核，實現(xiàn)一維振動信號向高維特征轉(zhuǎn)換。兩個稠密卷積塊具有相同結(jié)構(gòu)，包含四層卷積層和四層批標準化(batch normalization,BN)層。兩個過渡層包含卷積層、批標準化層、整流線性單元(ReLU)和平均池化(Avg-pooling)層。

之后采用CBAM從通道和空間兩個維度對網(wǎng)絡(luò)提取的特征進行處理，CBAM作為一個輕量級的模塊，本文將其在稠密網(wǎng)絡(luò)提取特征之后加入，以便于對總體特征實現(xiàn)重要性區(qū)分。

3.2 特征域適應(yīng)模型構(gòu)建

模型的全連接層包含一個展平層、兩個全連接層和一個softmax層。為了提升源域數(shù)據(jù)和目標域數(shù)據(jù)特征知識的匹配程度，在全連接層對網(wǎng)絡(luò)提取的高維特征及標簽概率分布進行領(lǐng)域適配。如圖3所示，高維特征經(jīng)展平后，輸入全連接層FC1，利用式(4)對FC1層輸出的源域和目標域特征分布進行差異度量并匹配，得到源域和目標域局部特征分布差異LMMD(Fs,Ft)，其中Fs,Ft為源域目標域的高維展平特征。特征經(jīng)過全連接FC2層非線性變換處理后，輸入softmax層進行標簽預(yù)測。在softmax層利用式(7)計算源域和目標域標簽概率分布差異MMD(Ls,Lt)，Ls,Lt為源域和目標域的標簽概率分布。

3.3 跨域診斷模型的訓(xùn)練

為了更好的對源域和目標域特征知識、標簽分布信息進行綜合利用，提高軸承跨域故障診斷準確度，結(jié)合式(4)與式(7)的分布差異值，構(gòu)建如下優(yōu)化目標：

Min(losss+γLMMD(Fs,Ft)+γMMD(Ls+Lt))

(8)

式中,γ為域適應(yīng)的懲罰項系數(shù)，losss為源域數(shù)據(jù)集分類損失，定義為：

(9)

網(wǎng)絡(luò)在式(8)的約束下，模型的每次更新都進行了特征概率分布對齊、標簽概率分布對齊，經(jīng)過多次的雙重對齊操作，模型提取的源域特征知識分布逐漸趨近于目標域的特征知識分布，從而借助源域數(shù)據(jù)集的特征知識來實現(xiàn)目標域數(shù)據(jù)的正確分類。

模型訓(xùn)練過程主要包括如下步驟：

(1) 初始化：初始化模型參數(shù)。對源域數(shù)據(jù)集和目標域數(shù)據(jù)集進行Z-score標準化預(yù)處理：

(10)

式中，σ和μ分別代表原始振動信號x的均值和方差。

(2) 前向傳播：依據(jù)本文方法搭建特征提取及域適應(yīng)網(wǎng)絡(luò)，輸入源域和目標域數(shù)據(jù)，利用網(wǎng)絡(luò)對數(shù)據(jù)樣本進行特征提取。提取的特征在全連接層中按照式(4)、式(7)、式(9)分別計算域適應(yīng)損失和源域分類損失。

(3) 反向傳播：采用小批量梯度下降(mini-batch gradient descent，MBGD)優(yōu)化算法，逐層反向訓(xùn)練更新遷移網(wǎng)絡(luò)模型參數(shù)。返回繼續(xù)執(zhí)行(2)的前向傳播過程，直到達到設(shè)定的迭代次數(shù)后結(jié)束訓(xùn)練過程。

(4) 目標域測試樣本識別：將目標域測試數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)，返回網(wǎng)絡(luò)識別結(jié)果。

4 實驗結(jié)果與分析

為了測試本文提出的跨域故障診斷模型的性能，以軸承不同工作負載下采集的數(shù)據(jù)集為基礎(chǔ)進行遷移故障診斷，下述實驗都在如下配置的PC端進行：Intel Core i7 CPU，NVIDIA GEFORCE GTX 1070 Ti GPU。

4.1 數(shù)據(jù)集概況

實驗采用了凱斯西儲大學(xué)提供的軸承振動信號數(shù)據(jù)集[27]，識別的軸承狀態(tài)包括：正常NO(normal)、內(nèi)圈故障IF(inter race fault)、外圈故障OF(outer race fault)、滾珠故障BF(ball roller fault)。每種故障有三種嚴重程度，故障直徑分別為0.007英寸、0.014英寸、0.021英寸。信號采樣速率為12 kHz和48 kHz。四種不同的設(shè)備運行負載為0 HP，1 HP，2 HP，3 HP。實驗中選取12 kHz采樣頻率下的驅(qū)動端軸承信號進行分析，考慮三種不同故障下的三種嚴重程度，與正常狀態(tài)信號共計故障類別為10類，文中故障類型分別表示為0～9，每類234個樣本，每個樣本包含1 024個采樣點，數(shù)據(jù)標簽處理結(jié)果如表1所示。

表1 狀態(tài)標簽Tab.1 State labels

本文實驗中將不同負載記為load0、load1、load2、load3，研究四種不同負載工況軸承之間的跨域診斷。

4.2 遷移故障診斷實驗結(jié)果

按照本文方法構(gòu)建深度特征提取網(wǎng)絡(luò)及域適應(yīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)參數(shù)如表2所示。

表2 網(wǎng)絡(luò)參數(shù)表Tab.2 Parameters of the network

基于以上參數(shù)，構(gòu)建深度遷移網(wǎng)絡(luò)，對本文所提出的多種跨域識別方法進行10次重復(fù)實驗，統(tǒng)計實驗結(jié)果如表3所示。

表3 文中所提方法的跨域診斷結(jié)果Tab.3 Cross-domain diagnosis results of the proposed method

由表3可以看出，本文方法在多數(shù)遷移診斷任務(wù)中實現(xiàn)的故障識別準確率保持在99.0 %以上，且具有較低的標準偏差，表明文中所提方法在處理不同負載遷移診斷問題時總體效果較好，且單次的可信度高。

4.3 主要參數(shù)的影響分析

深度遷移模型構(gòu)建過程中，合適的參數(shù)可以有效提高目標域軸承故障的診斷準確率，下文將從多方面分析重要參數(shù)的不同取值對跨域診斷結(jié)果的影響。

4.3.1 網(wǎng)絡(luò)模型深度對診斷結(jié)果的影響

網(wǎng)絡(luò)模型深度對特征提取過程和訓(xùn)練時間有直接影響。網(wǎng)絡(luò)模型過淺會導(dǎo)致網(wǎng)絡(luò)特征提取能力下降，難以提取到具有表示性的域不變特征；網(wǎng)絡(luò)模型過深會加長網(wǎng)絡(luò)訓(xùn)練時間，并且?guī)磉^擬合、梯度消失等風(fēng)險。下文比較的三種不同深度網(wǎng)絡(luò)結(jié)構(gòu)如下：

網(wǎng)絡(luò)a：(稠密卷積塊+過渡層)×1、注意力機制層×1、全連接層×2。

網(wǎng)絡(luò)b(本文方法):(稠密卷積塊+過渡層)×2、注意力機制層×1、全連接層×2。

網(wǎng)絡(luò)c:(稠密卷積塊+過渡層)×3、注意力機制層×1、全連接層×2。

下表為10次識別結(jié)果的統(tǒng)計值。

表4 不同網(wǎng)絡(luò)層數(shù)下跨域識別統(tǒng)計結(jié)果Tab.4 Cross-domain recognition results with different layers

從統(tǒng)計結(jié)果可以看出，三種網(wǎng)絡(luò)中，本文所提出的網(wǎng)絡(luò)b診斷準確率最高，且具有較高的魯棒性。從訓(xùn)練時間可以看出，隨著網(wǎng)絡(luò)結(jié)構(gòu)的加深，網(wǎng)絡(luò)訓(xùn)練所需時間隨之增加，而本文網(wǎng)絡(luò)訓(xùn)練所需時間適中。以上分析也表明本文的網(wǎng)絡(luò)結(jié)構(gòu)b診斷效果較好。

4.3.2 特征注意力機制處理的影響

本文特征提取中引入卷積注意力機制進行特征的重要性區(qū)分。在前文確定的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，此部分分析卷積注意力機制對分類識別的影響，主要對比了三組不同的結(jié)構(gòu)，如下所示。

網(wǎng)絡(luò)①：僅兩個稠密卷積塊而無注意力機制處理，即(Dense block1+Dense block2)。

網(wǎng)絡(luò)②：CBAM注意力機制處理層置于第一個稠密卷積網(wǎng)絡(luò)之后，即Dense block1+CBAM+Dense block2。

網(wǎng)絡(luò)③(本文方法)：CBAM注意力機制處理置于第二個稠密卷積塊之后，即(Dense block1+Dense block2+CBAM)。

為避免偶然因素影響，現(xiàn)進行十次實驗結(jié)果統(tǒng)計，以跨域診斷實驗load2→load3為例，結(jié)果如圖4所示。

圖4 不同網(wǎng)絡(luò)結(jié)構(gòu)對應(yīng)的識別結(jié)果Fig.4 Results of different network structures

由圖中可以看出，網(wǎng)絡(luò)③即本文方法的識別準確率最高，而沒有卷積注意力機制處理的網(wǎng)絡(luò)對多數(shù)樣本分類效果較差，跨域識別準確率較低。表明文中將注意力機制結(jié)合稠密網(wǎng)絡(luò)進行特征的提取及優(yōu)化，可以更好的實現(xiàn)特征的重要性區(qū)分，改善了跨域診斷網(wǎng)絡(luò)的識別效果，獲得了最高的識別準確率。

4.3.3 懲罰項系數(shù)取值對識別結(jié)果的影響

域適應(yīng)中的懲罰項系數(shù)表征了網(wǎng)絡(luò)在訓(xùn)練過程中域適應(yīng)的強度。懲罰項系數(shù)過小會導(dǎo)致域適應(yīng)強度不夠，難以實現(xiàn)滿意的跨域診斷結(jié)果；懲罰項系數(shù)過大則會顯著增加網(wǎng)絡(luò)反向傳播的損失，帶來梯度爆炸風(fēng)險。為探究不同懲罰項系數(shù)值對識別結(jié)果的影響，重復(fù)十次實驗并對不同跨域診斷效果進行分析，圖5以load0→load3為例，給出懲罰項系數(shù)取值為0，0.01，0.5，1，10，0-1的識別結(jié)果，其中0-1取值按照公式2/((1+exp(-10*q))-1)變化，q為網(wǎng)絡(luò)訓(xùn)練過程中已訓(xùn)練次數(shù)與總訓(xùn)練次數(shù)的比值。

圖5 不同懲罰項系數(shù)的跨域診斷識別率Fig.5 Cross-domain diagnosis accuracies with different penalty coefficients

從圖中可以看出，在多組實驗中，變化的懲罰項系數(shù)取得了最好的遷移診斷結(jié)果。分析其原因，在網(wǎng)絡(luò)訓(xùn)練前期更注重對源域數(shù)據(jù)特征的提取，此時懲罰項系數(shù)應(yīng)取較小值；隨著訓(xùn)練過程進行，網(wǎng)絡(luò)優(yōu)化重點逐漸轉(zhuǎn)移到不同域間的特征適配任務(wù)上，因此懲罰項系數(shù)應(yīng)逐漸增大，提升網(wǎng)絡(luò)的域不變特征提取能力。

5 對比實驗及分析

5.1 不同距離度量函數(shù)的診斷結(jié)果比較

源域及目標域提取特征的差異性度量是影響跨域識別結(jié)果的重要因素，此處以實驗load3→load2為例，分析本文采用的LMMD與傳統(tǒng)的MMD對跨域識別結(jié)果的影響。記錄某次實驗網(wǎng)絡(luò)訓(xùn)練過程中測試準確率和測試損失值，如圖6所示。

圖6 測試準確率曲線及損失曲線圖Fig.6 Accuracy curve and test loss curve

由圖中可以看出，與傳統(tǒng)MMD距離度量對應(yīng)的網(wǎng)絡(luò)相比，文中所提方法實現(xiàn)了更平滑的測試損失曲線和更低的損失值，說明文中所提網(wǎng)絡(luò)具有更好的收斂性能和故障分類能力。表5為試驗統(tǒng)計結(jié)果。

5.2 標簽概率分布對跨域診斷的影響

為了提高源域和目標域之間的特征匹配程度，本文所提方法增加了對網(wǎng)絡(luò)輸出的標簽概率分布進行適配的處理，此處以跨域?qū)嶒瀕oad1→load3為例，分析標簽概率分布適配對跨工況軸承故障診斷結(jié)果的影響,某次實驗結(jié)果混淆矩陣如圖7所示。

(a) 本文考慮標簽概率分布影響的結(jié)果

圖中結(jié)果表明，在使用相同特征提取網(wǎng)絡(luò)的情況下，增加標簽概率分布適配層對跨域診斷結(jié)果有較大影響。無標簽概率分布適配層的網(wǎng)絡(luò)模型在目標域數(shù)據(jù)分類過程中容易出現(xiàn)錯誤識別，其原因在于，無標簽概率分布適配方法中，各類別決策邊界不夠明確，分類準確率較低；而利用標簽概率分布適配對該特征值進行映射對齊后，在各個類別上都實現(xiàn)了較好的識別結(jié)果。下表統(tǒng)計了兩種不同域適應(yīng)網(wǎng)絡(luò)實現(xiàn)的識別結(jié)果。

5.3 與常用方法對比

本文在傳統(tǒng)跨域診斷模型基礎(chǔ)上進行改進，提出一種包含稠密卷積網(wǎng)絡(luò)、注意力機制、特征及標簽概率分布適配的網(wǎng)絡(luò)模型，提高了變工況下的軸承故障識別準確率。為了驗證本文方法的性能，將其與三種常用的方法進行對比實驗，基于不同的對比目的，設(shè)置三類對比方法，各方法的模型結(jié)構(gòu)如表5所示。

表5 對比模型結(jié)構(gòu)表Tab.5 Different structures for comparing models

多個遷移診斷任務(wù)上的實驗統(tǒng)計結(jié)果如表6所示。

表6 不同方法遷移結(jié)果對比Tab.6 Transfer diagnosis comparison of different methods

不同方法的準確率結(jié)果如圖8所示。

圖8 不同方法對比結(jié)果Fig.8 Comparison of different methods

由統(tǒng)計結(jié)果可以得出，(1)本文方法在多種變工況故障識別中均實現(xiàn)了較高的準確率，說明了文中方法的有效性；(2)處理跨域故障診斷任務(wù)時，本文網(wǎng)絡(luò)相較于傳統(tǒng)卷積網(wǎng)絡(luò)在故障診斷時更具優(yōu)勢。(3)文中提出方法的故障診斷準確率高于沒有遷移過程的稠密卷積網(wǎng)絡(luò)的診斷準確率，說明源域數(shù)據(jù)和目標域數(shù)據(jù)的特征分布、標簽概率分布適配遷移了數(shù)據(jù)的特征知識，有效改善了跨工況故障診斷結(jié)果。(4)相比傳統(tǒng)基于手動提取特征的淺層遷移學(xué)習(xí)方法TCA，本文提出的診斷網(wǎng)絡(luò)可以自動而全面的提取數(shù)據(jù)中的深層次特征知識，并且能夠在深層特征空間內(nèi)降低源域數(shù)據(jù)和目標域數(shù)據(jù)的特征知識差異性，改善遷移故障診斷結(jié)果。

5.4 不同數(shù)據(jù)集實現(xiàn)的跨工況診斷實驗

為了進一步驗證該方法的有效性，本文在西安交通大學(xué)軸承數(shù)據(jù)集(XJTU-SY Bearing Datasets)[29]上做進一步實驗。選取了數(shù)據(jù)集中11 kN和12 kN兩種工況下的軸承振動信號，主要識別了軸承的保持架(cage)故障、外圈(outer)故障、正常(normal)三種故障狀態(tài)。數(shù)據(jù)處理中，每類故障狀態(tài)包含315個數(shù)據(jù)樣本，每個樣本包含1024個采樣點，數(shù)據(jù)處理結(jié)果如表7所示。

表7 故障狀態(tài)標簽Tab.7 Fault labels

基于以上兩種工況以及分別進行兩種情景下的跨工況診斷實驗，試驗結(jié)果如表8所示。

表8 遷移識別結(jié)果Tab.8 Diagnosis results with different transfer methods

由上表的統(tǒng)計數(shù)據(jù)可以看出，本文方法在多場景下的跨工況故障診斷中均能有效提高目標域的故障診斷準確率，表明了本文所提方法在處理跨工況診斷問題時的有效性。

6 結(jié) 論

機械的運行環(huán)境差異大，導(dǎo)致采集的振動信號差別較大，且多為無標簽數(shù)據(jù)，給傳統(tǒng)的軸承故障診斷方法的實現(xiàn)帶來了很大的困難?；诖?，本文提出了一種基于深度遷移學(xué)習(xí)的跨工況軸承故障診斷方法，在深度卷積網(wǎng)絡(luò)基礎(chǔ)上引入卷積注意力機制，改善特征提取性能；并通過域適應(yīng)實現(xiàn)了軸承故障的變工況遷移識別。實驗結(jié)果表明，通過深層卷積神經(jīng)網(wǎng)絡(luò)的自動學(xué)習(xí)，解決了傳統(tǒng)淺層機器學(xué)習(xí)需要手動提取特征的不足；通過將特征分布差異和標簽概率分布差異最小化，提取了源域和目標域樣本集中的域不變特征，解決了不同運行工況下標簽數(shù)據(jù)不足導(dǎo)致的軸承故障識別準確率低的問題。本文提出的方法在跨工況情境下，利用大量的無標簽?zāi)繕擞蜉o助數(shù)據(jù)即可實現(xiàn)較好的跨工況軸承故障診斷效果，為提高機械實際作業(yè)中的故障識別準確率提供了新思路。