基于卷積神經(jīng)網(wǎng)絡(luò)的領(lǐng)域適配模型的多工況遷移的軸承故障診斷

錢思宇， 秦東晨， 陳江義， 袁 峰

(鄭州大學(xué) 機(jī)械與動(dòng)力工程學(xué)院，鄭州 450001)

滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中常用的零部件之一。絕大多數(shù)機(jī)電驅(qū)動(dòng)系統(tǒng)和電機(jī)故障是由滾動(dòng)軸承損壞引起的，這可能導(dǎo)致設(shè)備停機(jī)造成經(jīng)濟(jì)損失或者造成嚴(yán)重的安全事故。因此滾動(dòng)軸承故障檢測(cè)變得尤為重要。

軸承振動(dòng)信號(hào)復(fù)雜，且軸承在不同運(yùn)轉(zhuǎn)工況下，相同故障會(huì)采集到不同的振動(dòng)信號(hào)。近幾年，深度學(xué)習(xí)方法大量應(yīng)用于軸承故障診斷領(lǐng)域，然而單一樣本(源域)訓(xùn)練出來的模型，只能對(duì)源域的數(shù)據(jù)做出良好判定，很難在其他數(shù)據(jù)領(lǐng)域也做出良好的故障判定，模型無法在其他工作環(huán)境運(yùn)行。Lu等[1]提出了基于神經(jīng)網(wǎng)絡(luò)的領(lǐng)域自適應(yīng)故障診斷。Pan等[2]提出通過最小化MMD(maximum mean discrepancy)來找出領(lǐng)域共享特征技術(shù)。Long等[3]設(shè)計(jì)一個(gè)子空間學(xué)習(xí)框架，整合MMD到深度神經(jīng)網(wǎng)絡(luò)。Wang等[4]使用多種變負(fù)載工況信號(hào)作為卷積模型輸入，訓(xùn)練過程中利用領(lǐng)域鑒別器進(jìn)行權(quán)重調(diào)整，實(shí)現(xiàn)了變負(fù)載環(huán)境下的軸承故障診斷。Wen等[5]使用稀疏自動(dòng)編碼器結(jié)合MMD，提出DTL(deep transfer learning)模型應(yīng)用于故障診斷。領(lǐng)域遷移在很多領(lǐng)域可用找到應(yīng)用，但在故障診斷的工況遷移自適應(yīng)研究很少。

針對(duì)上面的問題，提出一種適應(yīng)于工況遷移的卷積遷移模型。其特點(diǎn)：①實(shí)現(xiàn)從端到端的軸承故障診斷模式，完全不需要對(duì)數(shù)據(jù)進(jìn)行相關(guān)信號(hào)處理；②模型相較于其他的模型結(jié)構(gòu)簡(jiǎn)單，參數(shù)規(guī)模小，易于訓(xùn)練；③模型在不同工況遷移環(huán)境下表現(xiàn)出極好的診斷性能。

1 領(lǐng)域自適應(yīng)

領(lǐng)域自適應(yīng)方法[6]的實(shí)施流程是提供源域有標(biāo)簽樣本和少量目標(biāo)域無標(biāo)簽樣本進(jìn)行訓(xùn)練，生成源域分類損失和域自適應(yīng)損失進(jìn)行模型學(xué)習(xí)。領(lǐng)域自適應(yīng)中的數(shù)據(jù)領(lǐng)域分為兩類：源域Ds(xs，ys)，服從數(shù)據(jù)分布p；目標(biāo)域Dt(xt)，服從數(shù)據(jù)分布q。其中：x為域樣本；y為域樣本標(biāo)簽；s下標(biāo)表示源域，t下標(biāo)表示目標(biāo)域。其原理：使用領(lǐng)域自適應(yīng)中評(píng)估源域和目標(biāo)域的數(shù)據(jù)分布偏移程度的相關(guān)方法，計(jì)算兩個(gè)領(lǐng)域的特征數(shù)據(jù)分布的“偏移量”，作為模型損失函數(shù)的一部分，反向調(diào)整網(wǎng)絡(luò)權(quán)重，進(jìn)而不斷減小偏移量，目標(biāo)域的特征數(shù)據(jù)分布不斷逼近源域，最終模型能夠正確識(shí)別目標(biāo)域樣本的類別。本文的領(lǐng)域自適應(yīng)分為兩步：①全領(lǐng)域自適應(yīng)；②類別領(lǐng)域自適應(yīng)。

1.1 全領(lǐng)域自適應(yīng)

源域樣本與目標(biāo)域樣本間存在數(shù)據(jù)分布偏移，通過全領(lǐng)域自適應(yīng)，將源域和目標(biāo)域的數(shù)據(jù)分布進(jìn)行整體對(duì)齊(將兩個(gè)域的數(shù)據(jù)映射到相同的特征空間)，使模型一定程度將源域?qū)W習(xí)到的知識(shí)遷移至目標(biāo)域，提高模型泛化能力。全領(lǐng)域遷移如圖1所示。

圖1 全領(lǐng)域遷移的示意圖Fig.1 Schematic diagram of whole domain migration

經(jīng)過全領(lǐng)域自適應(yīng)后的模型并不能完全解決目標(biāo)域樣本如何實(shí)現(xiàn)正確分類這一問題，因?yàn)樵从蚝湍繕?biāo)域中相同類別的樣本會(huì)不同程度分布在不同的子類別領(lǐng)域中，模型仍舊會(huì)對(duì)部分目標(biāo)域樣本做出虛假判定。本文的解決方法：在全域自適應(yīng)后再引入類別域自適應(yīng)，進(jìn)一步對(duì)全域中的子類別領(lǐng)域進(jìn)行領(lǐng)域自適應(yīng)。

1.2 類別領(lǐng)域自適應(yīng)

類別領(lǐng)域自適應(yīng)將全域自適應(yīng)得到的領(lǐng)域進(jìn)行域細(xì)化，即進(jìn)行各類別子域?qū)R，在對(duì)齊過程中，源域樣本有真實(shí)標(biāo)簽，而目標(biāo)域樣本為目標(biāo)工況的軸承振動(dòng)數(shù)據(jù)，并沒有真實(shí)標(biāo)簽，故利用模型的源域樣本分類器(屬于有監(jiān)督學(xué)習(xí))對(duì)目標(biāo)域樣本進(jìn)行標(biāo)簽預(yù)測(cè)，再進(jìn)行類別領(lǐng)域自適應(yīng)(屬于半監(jiān)督學(xué)習(xí))。類別領(lǐng)域遷移示意圖，如圖2所示。

圖2 類別領(lǐng)域遷移示意圖Fig.2 Schematic diagram of classes domain migration

1.3 領(lǐng)域分布距離

目前遷移學(xué)習(xí)，尤其是域適應(yīng)中，主要使用MMD來度量?jī)蓚€(gè)不同但相關(guān)的分布(p,q)的距離。兩個(gè)分布的距離dH(p,q)定義為式(1)

(1)

式中：H為這個(gè)距離是由映射函數(shù)φ(·)將數(shù)據(jù)映射到再生核希爾伯特空間(reproducing kernel Hilbert space, RKHS)中進(jìn)行度量的；xs為源域數(shù)據(jù)；xt為目標(biāo)域數(shù)據(jù)；E為取平均值。

(2)

式中：ns為源域樣本數(shù)量；nt為目標(biāo)域樣本數(shù)量，后續(xù)公式中含義一致。

(3)

(4)

(5)

(6)

(7)

(8)

(9)

2 網(wǎng)絡(luò)模型細(xì)節(jié)

2.1 主要網(wǎng)絡(luò)結(jié)構(gòu)

模型使用卷積網(wǎng)絡(luò)提取振動(dòng)信號(hào)中的故障特征，由于振動(dòng)數(shù)據(jù)為一維時(shí)序數(shù)據(jù)，而深度學(xué)習(xí)中的一維卷積層多用于時(shí)序數(shù)據(jù)、文本數(shù)據(jù)的特征提取，很適用于本文中的振動(dòng)時(shí)間序列數(shù)據(jù)。本文使用RELU函數(shù)作為卷積層后的激活函數(shù)，因其具有：求導(dǎo)簡(jiǎn)單，激活后的數(shù)據(jù)具有稀疏性，可一定程度減少網(wǎng)絡(luò)過擬合等優(yōu)點(diǎn)。

本文的模型涉及領(lǐng)域遷移，根據(jù)自適應(yīng)批標(biāo)準(zhǔn)化[8]的表述：模型訓(xùn)練時(shí)，使用每個(gè)批次樣本的均值和方差進(jìn)行標(biāo)準(zhǔn)化，而在模型驗(yàn)證測(cè)試階段，使用驗(yàn)證樣本集、測(cè)試樣本集的均值和方差，這有利于模型進(jìn)行遷移任務(wù)，故本文的模型在每個(gè)卷積層后，添加自適應(yīng)批標(biāo)準(zhǔn)化層。

深度學(xué)習(xí)中的注意力機(jī)制[9]核心目標(biāo)是從眾多信息中選擇出對(duì)當(dāng)前任務(wù)目標(biāo)更關(guān)鍵的信息。目前常使用的機(jī)制類型有3種：通道注意力、空間注意力、細(xì)粒度多特征融合。本文將通道注意力引入故障診斷任務(wù)中，提高模型的魯棒性。算法流程，如圖3所示。

圖3 通道注意力機(jī)制Fig.3 Channel attention mechanism

2.2 模型損失函數(shù)

2.2.1 交叉熵?fù)p失函數(shù)

交叉熵?fù)p失函數(shù)又名分類損失函數(shù)，是分類問題中常用的一種損失函數(shù)，用于評(píng)估預(yù)測(cè)類別標(biāo)簽與真實(shí)類別標(biāo)簽之間的差異程度。其具體表達(dá)式

(10)

2.2.2 領(lǐng)域適配損失函數(shù)

在工況遷移領(lǐng)域，域適配損失函數(shù)也就是在1.3中式(8)和式(9)提到的領(lǐng)域分布距離

(11)

(12)

2.2.3 模型總損失函數(shù)

根據(jù)式(10)、式(11)和式(12)，可以得到模型的總損失函數(shù)

losstotal=lossJ+α1·lossWDA+α2·lossCDA

(13)

式中，參數(shù)α1，α2用來權(quán)衡全域適配損失和類別域適配損失在模型總損失中所占的權(quán)重。

2.3 模型細(xì)節(jié)配置

2.3.1 模型結(jié)構(gòu)

工況遷移模型CNN-DA由特征提取層、分類層、領(lǐng)域自適應(yīng)模塊等構(gòu)成，具體算法流程如圖4所示。

圖4 工況遷移模型流程圖Fig.4 Flow chart of working condition migration model

源域信號(hào)經(jīng)過模型特征提取層得到低維特征Ⅰ，再經(jīng)過線性層降維，得到低維特征Ⅱ，將低維特征Ⅱ輸入分類層獲取預(yù)測(cè)標(biāo)簽，并與真實(shí)標(biāo)簽比對(duì)計(jì)算出分類損失；同時(shí)，目標(biāo)域信號(hào)共享源域的特征提取層，也得到低維特征Ⅰ，將源域與目標(biāo)域的低維特征Ⅰ輸入進(jìn)全域自適應(yīng)模塊，計(jì)算出全域適應(yīng)損失；目標(biāo)域的低維特征Ⅰ再經(jīng)過共享線性層得到低維特征Ⅱ，再通過共享的分類層獲取預(yù)測(cè)標(biāo)簽，類別域自適應(yīng)模塊利用源域低維特征Ⅱ、源域真實(shí)標(biāo)簽、目標(biāo)域低維特征Ⅱ和目標(biāo)域預(yù)測(cè)標(biāo)簽，計(jì)算得出類別域適應(yīng)損失。模型的三類損失(分類損失、全域適應(yīng)損失、類別域適應(yīng)損失)在每個(gè)訓(xùn)練步數(shù)同步計(jì)算，加權(quán)求和為模型總損失，并進(jìn)行反向梯度優(yōu)化模型網(wǎng)絡(luò)層權(quán)重。

2.3.2 模型細(xì)節(jié)

在模型數(shù)據(jù)輸入端，加入隨機(jī)采樣層，能夠讓網(wǎng)絡(luò)提取的故障特征更具魯棒性。網(wǎng)絡(luò)模型中，除了提取振動(dòng)信號(hào)中高層特征的一維卷積神經(jīng)網(wǎng)絡(luò)層外，還添加通道注意力模塊，分別加入到卷積模塊的首尾兩層，用于為特征通道分配不同的權(quán)重，以增大有效特征在總特征域的占比，減少無效特征的干擾。模型中的卷積第一層使用寬卷積核提取原始信號(hào)的特征，目的在于增大卷積核感受野，相當(dāng)于信號(hào)領(lǐng)域中：較少丟失信號(hào)頻域分辨率的前提下提高信號(hào)的時(shí)域分辨率。

3 試驗(yàn)測(cè)試

本章中，基于Python-Pytorch搭建深度學(xué)習(xí)模型，在不同類型的數(shù)據(jù)集振動(dòng)信號(hào)上進(jìn)行5次訓(xùn)練和測(cè)試，對(duì)最終測(cè)試結(jié)果取平均值，并與其他模型進(jìn)行性能對(duì)比，驗(yàn)證本文提出的卷積神經(jīng)網(wǎng)絡(luò)的領(lǐng)域適配模型(convolutional neural network-domain adaptation， CNN-DA)模型的工況遷移能力。

3.1 數(shù)據(jù)集來源

3.1.1 CW-Artificial數(shù)據(jù)集

本數(shù)據(jù)集來自凱斯西儲(chǔ)大學(xué)[10](Case Western Reserve University，CWRU)滾動(dòng)軸承人工損傷數(shù)據(jù)集。CWRU軸承數(shù)據(jù)采集系統(tǒng)，如圖5所示。本測(cè)試選取驅(qū)動(dòng)端軸承作為試驗(yàn)對(duì)象，型號(hào)為SKF6205，屬于深溝球軸承，振動(dòng)信號(hào)的采樣頻率為48 kHz，故障缺陷由電火花單點(diǎn)加工，加工位置為軸承內(nèi)圈、軸承外圈、滾動(dòng)體；根據(jù)不同的加工直徑，分為0.18 mm，0.36 mm，0.53 mm可以造成9種不同的故障缺陷，再結(jié)合軸承健康運(yùn)轉(zhuǎn)狀況，構(gòu)成10種故障類別。

圖5 CWRU軸承系統(tǒng)平臺(tái)Fig.5 CWRU bearing system platform

軸承運(yùn)轉(zhuǎn)工況分為735 W，1 470 W，2 205 W(負(fù)載)，工況遷移實(shí)驗(yàn)使用735 W，1 470 W，2 205W工況兩兩組合成6個(gè)遷移進(jìn)行模型訓(xùn)練。由于軸承的運(yùn)轉(zhuǎn)工況只有負(fù)載的變化，不涉及軸承轉(zhuǎn)速、軸承徑向載荷等工況變量，故CW-Artificial數(shù)據(jù)集屬于簡(jiǎn)單工況遷移數(shù)據(jù)集。本文不對(duì)數(shù)據(jù)進(jìn)行任何預(yù)處理，實(shí)現(xiàn)端輸入，數(shù)據(jù)長(zhǎng)度為1 600(軸承旋轉(zhuǎn)一周的采樣點(diǎn)數(shù))，數(shù)據(jù)采取半周期重疊采樣，以擴(kuò)充數(shù)據(jù)量。數(shù)據(jù)集中分為訓(xùn)練集(用于訓(xùn)練模型)、驗(yàn)證集(用于調(diào)整模型參數(shù))、測(cè)試集(用于驗(yàn)證模型性能)。具體數(shù)據(jù)集構(gòu)成如表1所示。

表1 CW-Artificial數(shù)據(jù)集

工況遷移數(shù)據(jù)集：源域(A)→目標(biāo)域(B)，代表模型從工況A遷移至工況B。具體工況遷移配置如表2所示。

表2 CW-Artificial工況遷移

3.1.2 PB-Artificial數(shù)據(jù)集

本數(shù)據(jù)集來自帕德博恩大學(xué)[11](Paderborn University, PB)滾動(dòng)軸承人工損傷數(shù)據(jù)集。PB軸承數(shù)據(jù)采集系統(tǒng)，如圖6所示，試驗(yàn)臺(tái)由電機(jī)、扭矩測(cè)量軸、滾動(dòng)軸承測(cè)試模塊、飛輪和負(fù)載電機(jī)組成。本測(cè)試選取軸承IBU6203作為試驗(yàn)軸承，振動(dòng)信號(hào)的采樣頻率64 kHz，故障缺陷由電動(dòng)雕刻機(jī)單點(diǎn)加工，加工位置為軸承內(nèi)圈、軸承外圈；根據(jù)不同的加工長(zhǎng)度(1～4 mm)，分為損傷等級(jí)1、損傷等級(jí)2，造成4種不同的故障缺陷，再結(jié)合軸承健康運(yùn)轉(zhuǎn)狀況，構(gòu)成5種故障類別。

軸承運(yùn)轉(zhuǎn)工況分為N15M07F10，N09M07F10，N15M01F10，N15M07F04，使用4種工況兩兩組合成12個(gè)工況遷移類別進(jìn)行模型訓(xùn)練。由于軸承的運(yùn)轉(zhuǎn)工況有負(fù)載變化、轉(zhuǎn)速變化、徑向載荷變化，工況變量較多，故PB-Artificial數(shù)據(jù)集屬于復(fù)雜工況遷移數(shù)據(jù)集。數(shù)據(jù)采樣長(zhǎng)度規(guī)則與CW-Artificial數(shù)據(jù)集一致(即軸承運(yùn)轉(zhuǎn)一周的采樣點(diǎn)數(shù))，故采樣數(shù)據(jù)長(zhǎng)度為2 560，其他設(shè)置也完全一致。數(shù)據(jù)集具體構(gòu)成，如表3所示。工況遷移領(lǐng)域說明，如表4所示，A為源域，B為目標(biāo)域。

1.電機(jī)； 2.扭矩測(cè)量軸； 3.滾動(dòng)軸承測(cè)試模塊； 4.飛輪； 5.負(fù)載電機(jī)。圖6 PB滾動(dòng)軸承狀態(tài)監(jiān)測(cè)試驗(yàn)臺(tái)Fig.6 PB rolling bearing condition monitoring test bench

表3 PB-Artificial數(shù)據(jù)集

表4 PB-Artificial工況遷移

3.1.3 PB-Reality數(shù)據(jù)集

本數(shù)據(jù)集來自帕德博恩大學(xué)[11]滾動(dòng)軸承加速壽命試驗(yàn)損傷數(shù)據(jù)集。加速壽命試驗(yàn)臺(tái)，如圖7所示。由一個(gè)軸承箱和一個(gè)電機(jī)組成，電機(jī)為主軸提供動(dòng)力。軸承箱中有4個(gè)IBU/MTK/FAG6203型試驗(yàn)軸承，測(cè)試軸承在彈簧螺旋機(jī)構(gòu)施加的徑向載荷下旋轉(zhuǎn)，所施加的徑向力高于軸承在正常工作下的徑向力，但不會(huì)超過軸承的靜態(tài)負(fù)載能力，以加速軸承疲勞損傷的出現(xiàn)。此外，使用低黏度的潤(rùn)滑油，創(chuàng)造不良好的潤(rùn)滑條件，加速損傷形成。壽命測(cè)試造成的軸承損傷大多是疲勞損壞，這種損壞以剝落的形式出現(xiàn)。損傷組合有3種：?jiǎn)我粨p傷、重復(fù)損傷、多重?fù)p傷。將損傷后的軸承作為PB滾動(dòng)軸承狀態(tài)監(jiān)測(cè)試驗(yàn)臺(tái)的試驗(yàn)軸承，獲取不同工況下的故障振動(dòng)信號(hào)。

圖7 加速壽命裝置Fig.7 Accelerated life device

工況遷移集的故障類型、采樣長(zhǎng)度、最終數(shù)據(jù)集構(gòu)成以及工況遷移種類均與3.1.2節(jié)中PB-Artificial數(shù)據(jù)集完全一致。PB-Reality數(shù)據(jù)集也屬于復(fù)雜工況遷移數(shù)據(jù)集。

3.2 試驗(yàn)參數(shù)設(shè)置

模型的相關(guān)參數(shù)設(shè)置和訓(xùn)練參數(shù)配置對(duì)訓(xùn)練結(jié)果影響很大，在模型結(jié)構(gòu)固定的情況下，參數(shù)設(shè)置決定模型的表達(dá)能力。

模型的隨機(jī)采樣層隨機(jī)丟棄率必須設(shè)置合適，過高會(huì)導(dǎo)致原始數(shù)據(jù)變化過大，模型無法訓(xùn)練；過低會(huì)喪失設(shè)置隨機(jī)采樣層的初衷。根據(jù)測(cè)試調(diào)試，設(shè)置為0.25。模型采取5層卷積層用來對(duì)數(shù)據(jù)進(jìn)行特征提??；卷積第一層的卷積核不應(yīng)設(shè)置過小，根據(jù)信號(hào)領(lǐng)域的知識(shí)，采樣窗口視野決定模型的時(shí)頻分辨率，根據(jù)試驗(yàn)，最終設(shè)置卷積核大小為64；模型特征提取卷積后續(xù)4層卷積核大小設(shè)置為7，5，3，3，保證特征細(xì)粒程度。每個(gè)卷積層后的批標(biāo)準(zhǔn)化層使用自適應(yīng)設(shè)置。特征提取后的Dropout層使用0.2作為隨機(jī)丟棄率，減小模型發(fā)生的過擬合現(xiàn)象。模型具體結(jié)構(gòu)，如表5所示。

表5 工況遷移模型CNN具體參數(shù)

模型優(yōu)化器使用Adam優(yōu)化器，加速模型尋優(yōu)過程，減少迭代次數(shù)，以節(jié)省運(yùn)算資源。在網(wǎng)絡(luò)迭代過程中，為避免學(xué)習(xí)率過大導(dǎo)致迭代路徑振蕩過大，使用學(xué)習(xí)率指數(shù)衰減策略，以確保模型在迭代循環(huán)中能夠越來越逼近最優(yōu)解。學(xué)習(xí)率指數(shù)衰減策略

(14)

式中：LR為初始學(xué)習(xí)率；epoch為當(dāng)前訓(xùn)練步；epochs為模型總訓(xùn)練步數(shù)；λ為衰減速率參數(shù)，取λ=0.75。

訓(xùn)練參數(shù)包括批次樣本大小(batch size)、初始學(xué)習(xí)率、網(wǎng)絡(luò)初始化方法、訓(xùn)練迭代步數(shù)和域差異性損失權(quán)重α1與α2。根據(jù)經(jīng)驗(yàn)，使用較小的批次樣本大小訓(xùn)練模型能夠提高模型的泛化能力；另一方面，批次樣本設(shè)置過小會(huì)增加模型的訓(xùn)練時(shí)間，綜合考慮，選取128為batch size最終參數(shù)。初始學(xué)習(xí)率不易設(shè)置過高，一般在0.010～0.001，本文選取LR為0.005。根據(jù)本文網(wǎng)絡(luò)模型中的使用的RELU激活函數(shù)，使用Kaiming初始化方法[12]對(duì)卷積層參數(shù)進(jìn)行初始化。經(jīng)過多次試驗(yàn)，訓(xùn)練迭代步數(shù)(epoch)取200次，確保網(wǎng)絡(luò)能夠完全收斂，也不花費(fèi)過多訓(xùn)練時(shí)間。根據(jù)多次測(cè)試驗(yàn)證，域差異性損失權(quán)重α1與α2均取值0.2。

3.3 試驗(yàn)結(jié)果及與其他方法的比較

為確保試驗(yàn)結(jié)果的可靠性，進(jìn)行5次模型訓(xùn)練后的測(cè)試集分類正確率取平均值。除本文自行搭建的模型結(jié)構(gòu)CNN-DA之外，還采用機(jī)器學(xué)習(xí)模型和其他深度學(xué)習(xí)模型：支持向量機(jī)(support vector machine, SVM)、遷移成分分析(transfer component analysis，TCA)、注意力機(jī)制-Inception-卷積神經(jīng)網(wǎng)絡(luò)[13](inception convolutional neural networks,INCNN)、采用領(lǐng)域鑒別和全域適應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)[14](deep convolutional transfer learning network,DCTLN)、使用領(lǐng)域?qū)沟木矸e網(wǎng)絡(luò)[15](domain-adversarial Neural Networks,DANN)作為對(duì)比，都使用相同的時(shí)序數(shù)據(jù)結(jié)構(gòu)輸入。INCNN和DCTLN是當(dāng)前較為優(yōu)秀的滾動(dòng)軸承故障模式診斷深度學(xué)習(xí)模型。各模型說明，如表6所示。

表6 各模型說明

模型在各個(gè)數(shù)據(jù)集上的各種工況遷移的具體測(cè)試結(jié)果如圖8所示，平均遷移診斷性能如表7所示，所有數(shù)據(jù)均為5次訓(xùn)練測(cè)試取平均值。

圖8 各模型在3種數(shù)據(jù)集上測(cè)試結(jié)果Fig.8 The results of each model were tested on three data sets

表7 各模型在各數(shù)據(jù)集上的平均診斷正確率

試驗(yàn)結(jié)果如圖8和表7所示：圖8(a)中共有6種不同工況遷移軸承故障診斷結(jié)果；圖8(b)和圖8(c)中共12種不同工況遷移軸承故障診斷結(jié)果；表7中表示各類模型在不同數(shù)據(jù)集上的平均遷移診斷結(jié)果。從圖表中可以看出：提出的CNN-DA模型在不同數(shù)據(jù)集各種工況遷移變化下，均保持最可靠、最穩(wěn)定的故障識(shí)別性能，平均準(zhǔn)確度都在98.5%以上，不同程度優(yōu)于其他對(duì)比模型。作為對(duì)比的深度遷移模型DCTLN和DANN在3個(gè)數(shù)據(jù)集下表現(xiàn)不一：DCTLN模型在CW-Artificial和PB-Reality數(shù)據(jù)集上達(dá)到97.83%和94.68%的平均準(zhǔn)確率，但在PB-Artificial數(shù)據(jù)集上表現(xiàn)欠佳；而DANN模型僅在CW-Artificial數(shù)據(jù)集上表現(xiàn)良好，達(dá)到92.96%的平均準(zhǔn)確率，在另外兩個(gè)數(shù)據(jù)集上遷移效果極差，平均準(zhǔn)確率均在75%左右。傳統(tǒng)的遷移學(xué)習(xí)算法TCA和簡(jiǎn)單機(jī)器學(xué)習(xí)算法SVM在所有任務(wù)中的表現(xiàn)均低于深度學(xué)習(xí)算法，其平均準(zhǔn)確度只有50%左右。以上分析證明：本文提出的基于全領(lǐng)域和類別領(lǐng)域相結(jié)合的領(lǐng)域自適應(yīng)算法能夠有效利用無標(biāo)簽的目標(biāo)域數(shù)據(jù)，提高跨工況領(lǐng)域的軸承故障診斷準(zhǔn)確度，在不同環(huán)境下具有良好的診斷性能。

為更好理解提出的模型，使用TSEN(t-distributed stochastic neighbor embedding)[16]可視化方法對(duì)提出的CNN-DA模型和未使用領(lǐng)域自適應(yīng)算法的CNN(convolutional neural networks)模型對(duì)PB-Reality數(shù)據(jù)集的1-2工況(該工況遷移下對(duì)比模型的遷移識(shí)別效果均不好，可視化結(jié)果對(duì)驗(yàn)證本文模型的領(lǐng)域自適應(yīng)效果更具說明性)遷移的訓(xùn)練過程進(jìn)行各網(wǎng)絡(luò)層二維可視化，如圖9、圖10所示。圖中所示：圖9(a)～圖9(j)、圖10(a)～圖10(j)子圖為模型各層可視化結(jié)果，圖9(k)、圖10(k)為領(lǐng)域標(biāo)記。圖9 CNN-DA模型的各網(wǎng)絡(luò)層中，原始信號(hào)在特征空間中混雜在一起，隨著模型特征提取層的作用，模型逐漸對(duì)故障類型進(jìn)行細(xì)分聚類，且源域和目標(biāo)域的相同故障類別樣本逐漸聚類一起；圖9(j)中，1，2，4故障類別聚集在一起，0，3故障類別聚類失敗，說明網(wǎng)絡(luò)提取到了不同領(lǐng)域之間的不變特征，但在少數(shù)故障類別下源域和目標(biāo)域的樣本無法聚集交叉在一起，欠缺一定的魯棒性。作為對(duì)比，圖10未使用領(lǐng)域自適應(yīng)的CNN模型的圖10(j)中，源域和目標(biāo)域的所有故障類別全都混雜在一起，無法進(jìn)行很好的區(qū)分，產(chǎn)生嚴(yán)重的錯(cuò)誤對(duì)齊現(xiàn)象。通過上述的可視化過程，可以證明：本文提出的全域、類別域相結(jié)合的領(lǐng)域自適應(yīng)算法能夠有效提取源域和目標(biāo)域之間的領(lǐng)域不變特征，緩解目標(biāo)域錯(cuò)誤分類對(duì)齊的現(xiàn)象。

圖9 使用領(lǐng)域自適應(yīng)的CNN-DA模型可視化Fig. 9 Visualization of CNN-DA model using domain adaptation

圖10 未使用領(lǐng)域自適應(yīng)的CNN模型可視化Fig.10 Visualization of CNN model without domain adaptation

4 結(jié) 論

本文提出的一種新的復(fù)雜工況遷移下的CNN-DA模型，它們是基于普通卷積神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、全域與類別領(lǐng)域自適應(yīng)搭建而成的高性能模型。主要結(jié)論：

(1)模型實(shí)現(xiàn)從端到端的診斷模式，不需要對(duì)原始診斷數(shù)據(jù)進(jìn)行任何處理，避免了繁瑣的傳統(tǒng)診斷人工提取故障特征；診斷信號(hào)通過模型診斷直接輸出故障結(jié)果。

(2)模型的結(jié)構(gòu)簡(jiǎn)單，參數(shù)規(guī)模小，以最少的參數(shù)訓(xùn)練和先進(jìn)的遷移算法保證可靠的故障診斷性能。

(3)CNN-DA在兩類(人工損傷/真實(shí)損傷)3種數(shù)據(jù)集上訓(xùn)練后進(jìn)行測(cè)試，在各種類型工況遷移下，均取得優(yōu)異的遷移診斷結(jié)果，平均診斷率均在98.5%以上，不同程度領(lǐng)先其他深度網(wǎng)絡(luò)模型。