基于改進(jìn)DANN遷移學(xué)習(xí)的軸承壽命預(yù)測方法

徐嘉杰　沈艷霞

摘 要 為解決不同工況下軸承壽命預(yù)測精度受限的問題，提出一種基于Wasserstein距離改進(jìn)的領(lǐng)域?qū)咕W(wǎng)絡(luò)（DANN）遷移學(xué)習(xí)的軸承壽命預(yù)測方法。在IEEE PHM Challenge 2012軸承數(shù)據(jù)集上進(jìn)行實驗，結(jié)果表明：對比多種遷移學(xué)習(xí)方法，筆者所提WDANN方法能夠有效提高不同工況下軸承壽命預(yù)測精度。

關(guān)鍵詞 軸承 剩余壽命預(yù)測 遷移學(xué)習(xí) 領(lǐng)域?qū)?Wasserstein距離

中圖分類號 TP206.3；TP911.7? ?文獻(xiàn)標(biāo)識碼 A? ?文章編號 1000-3932（2023）04-0493-08

在現(xiàn)代工程機(jī)械中，滾動軸承是最容易損壞的關(guān)鍵部件之一。對軸承進(jìn)行準(zhǔn)確的剩余使用壽命（RUL）預(yù)測，能提高設(shè)備系統(tǒng)的安全性和可靠性，降低運營維護(hù)成本，對實現(xiàn)系統(tǒng)的預(yù)測性維護(hù)具有重要參考價值。近年來，隨著人工智能的快速發(fā)展，基于深度學(xué)習(xí)的RUL預(yù)測技術(shù)成為研究熱點。REN L等采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合頻譜主能量向量特征，提出向后平滑的方法來解決預(yù)測結(jié)果的不連續(xù)性問題［1］。LIU R N等建立了一種聯(lián)合損失的卷積神經(jīng)網(wǎng)絡(luò)，共享了部分參數(shù)和網(wǎng)絡(luò)，提高了模型的泛化能力和預(yù)測準(zhǔn)確性［2］。上述方法雖然均取得了不錯的預(yù)測效果，但都建立在實驗軸承同工況且數(shù)據(jù)同分布的情況下，無法滿足實際工程應(yīng)用中變工況預(yù)測的要求。

遷移學(xué)習(xí)是指將一個領(lǐng)域?qū)W習(xí)到的知識應(yīng)用到另一個領(lǐng)域上去適應(yīng)新的任務(wù)，目前已經(jīng)提出一些基于遷移學(xué)習(xí)的軸承故障診斷方法。例如REN Y等提出一種多尺度樣本熵的特征遷移方法來提取故障特征［3］。LI J P等使用一種全局-局部的動態(tài)對抗網(wǎng)絡(luò)，計算兩個分布的相對比例以提取公共故障特征，進(jìn)一步提高了故障識別的準(zhǔn)確率［4］。但是在軸承壽命預(yù)測領(lǐng)域的應(yīng)用卻相對較少。

為了解決不同工況下軸承壽命預(yù)測的問題，筆者提出一種基于Wasserstein距離改進(jìn)的領(lǐng)域?qū)咕W(wǎng)絡(luò)（WDANN）遷移學(xué)習(xí)模型。模型主要分3部分：特征提取器、領(lǐng)域判別器和壽命預(yù)測模塊。其中特征提取器用于挖掘源域和目標(biāo)域軸承的退化特征。用Wasserstein距離改進(jìn)DANN的損失函數(shù)，量化分布之間的距離。再將WDANN作為領(lǐng)域判別器和特征提取器進(jìn)行對抗訓(xùn)練，不斷迭代獲得具備領(lǐng)域無關(guān)性的公共特征。最后，將公共特征輸入壽命預(yù)測模塊進(jìn)行軸承RUL預(yù)測。

1 模型構(gòu)建

1.1 CNN-LSTM特征提取器

由于LSTM隱藏層是全連接網(wǎng)絡(luò)，對于高維數(shù)據(jù)的特征提取效果并不好，并且無法充分利用時間序列的局部信息。CNN由于其卷積和池化的特性，能夠進(jìn)行特征降維并提取局部特征。結(jié)合CNN和LSTM的各自優(yōu)勢，筆者采用CNN-LSTM作為特征提取器，其結(jié)構(gòu)如圖2所示。首先CNN對高維特征進(jìn)行降維特征提取，然后LSTM進(jìn)一步學(xué)習(xí)時序信息，最后通過全連接網(wǎng)絡(luò)輸出特征。

1.2 Wasserstein領(lǐng)域?qū)咕W(wǎng)絡(luò)（WDANN）

領(lǐng)域?qū)咕W(wǎng)絡(luò)（DANN）［6］引入了生成對抗的思想，通過特征提取器和領(lǐng)域判別器兩者迭代對抗反饋的方式，降低源域和目標(biāo)域之間的分布差異。對抗訓(xùn)練過程如圖3所示。

1.3 整體預(yù)測模型的構(gòu)建

2 實驗驗證

2.1 數(shù)據(jù)集

選取IEEE PHM 2012軸承數(shù)據(jù)集［9］進(jìn)行壽命預(yù)測實驗，該數(shù)據(jù)集基于PRONOSTIA實驗平臺（圖5）獲取。通過調(diào)節(jié)電機(jī)速度和負(fù)載壓力模擬不同工況，由加速度傳感器收集振動信號。信號采樣頻率為25.6 kHz，每次采樣持續(xù)0.1 s，包含了2 560個數(shù)據(jù)點。實驗設(shè)置了3種工況，劃分情況見表2。本實驗中，將工況1作為源域，工況2作為目標(biāo)域，進(jìn)行由工況1到工況2的遷移學(xué)習(xí)。工況1所有7個軸承和工況2的2-1和2-2軸承作為訓(xùn)練集，工況2其他5個軸承依次作為測試集進(jìn)行RUL預(yù)測。

2.2 數(shù)據(jù)預(yù)處理

2.3 領(lǐng)域遷移結(jié)果

使用WDANN進(jìn)行領(lǐng)域?qū)惯w移學(xué)習(xí)，將源域和目標(biāo)域軸承提取到的特征進(jìn)行對齊，縮小分布差異。為驗證WDANN的遷移效果，選取源域軸承1-7和2-6進(jìn)行遷移前后特征分布對比［11］，使用Tsne進(jìn)行降維可視化，結(jié)果如圖8所示。遷移前后概率密度函數(shù)如圖9所示。

通過圖8、9可以發(fā)現(xiàn)，遷移前兩個軸承的特征分布差異明顯，軸承2-6的特征集中于中部，而軸承1-7的特征集中于后半?yún)^(qū)域。在使用WDANN遷移之后，兩個軸承所提取特征的概率密度函數(shù)分布趨同，分布差異顯著縮小，提取到了公共特征。說明WDANN實現(xiàn)了良好的特征遷移效果，有利于后續(xù)進(jìn)行軸承壽命預(yù)測實驗。

2.4 壽命預(yù)測結(jié)果

選取軸承2-6進(jìn)行遷移前后的預(yù)測效果展示，如圖10所示?？梢钥闯?，WDANN遷移學(xué)習(xí)后的RUL預(yù)測準(zhǔn)確性明顯優(yōu)于遷移前。在中后期樣本中，遷移后的預(yù)測值可以更好地貼近實際值。

選取前中后期各50個樣本進(jìn)行RUL預(yù)測效果和誤差展示，如圖11所示。曲線下方的誤差棒表示各樣本點的預(yù)測誤差［12］?？梢钥闯?，在前期和中期樣本中，遷移后的預(yù)測誤差相較于遷移前有大幅降低，后期樣本中兩者相對平衡。說明WDANN遷移學(xué)習(xí)后，所提取的公共特征對退化趨勢具有更好的表示能力，由此提高了預(yù)測效果。

針對工況2下目標(biāo)域的5個測試軸承，計算遷移前后的誤差值，結(jié)果見表3?？梢钥闯觯?jīng)過WDANN遷移后，軸承的平均絕對誤差和均方根誤差均有所降低。

2.5 不同遷移方法對比

為評價WDANN遷移學(xué)習(xí)方法相較于其他遷移學(xué)習(xí)方法的優(yōu)勢，選取經(jīng)典遷移方法TCA［13］、MMD［14］和DANN［15］做對比，為保證結(jié)果的有效性，測試中僅替換WDANN域適應(yīng)方法為上述方法，其余部分不變。在軸承2-6上的預(yù)測誤差對比見表4?？梢钥闯?，WDANN遷移學(xué)習(xí)方法相較于其他3種方法，誤差最小，預(yù)測性能均有提升。

3 結(jié)束語

筆者針對滾動軸承變工況壽命預(yù)測的問題，提出基于Wasserstein距離改進(jìn)的DANN遷移學(xué)習(xí)方法。利用CNN-LSTM網(wǎng)絡(luò)在降維和提取時序特征方面的優(yōu)勢，充分挖掘軸承的退化特征。利用Wasserstein改進(jìn)領(lǐng)域?qū)咕W(wǎng)絡(luò)，量化并減小分布差異，最終提取領(lǐng)域無關(guān)的公共特征。設(shè)計遷移前后的對比實驗和不同遷移方法的軸承壽命預(yù)測對比實驗，結(jié)果表明，該方法能夠有效減小特征的分布差異，提高軸承壽命預(yù)測的精度。

參 考 文 獻(xiàn)

［1］ REN L，SUN Y Q，WANG H，et al.Prediction ofBearing Remaining Useful Life with Deep Convolution Neural Network［J］. IEEE Access，2018，6：13041-13049.

［2］ LIU R N，YANG B Y，HAUPTMANN A G.Simultaneous Bearing Fault Recognition and Remaining Useful Life Prediction Using Joint-Loss Convolutional Neural Network［J］.IEEE Transactions on Industrial Informa-tics，2020，16（1）：87-96.

［3］ REN Y，LI Y B，WANG X Z，et al.A Novel Bearing Fault Diagnosis Method Based on Multi-scale Transfer Sample Entropy［C］//2020 11th International Conference on? Prognostics and System? Health? Management（PHM-2020 Jinan）.IEEE，2020.DOI：10.1109/PHM-Jinan48558.2020.00048.

［4］ LI J P，HUANG R Y，XIA J Y，et al.A Global-Local Dynamic Adversarial Network for Intelligent Fault Diagnosis of Spindle Bearing［C］//2021 IEEE International Instrumentation and Measurement Technology Conference（I2MTC）.IEEE，2021. DOI：10.1109/I2MTC50364.2021.9460061.

［5］ 唐旭，徐衛(wèi)曉，譚繼文，等.基于LSTM的滾動軸承剩余使用壽命預(yù)測［J］.機(jī)械設(shè)計，2019，36（S1）：117-119.

［6］ YU C H，WANG J D，CHEN Y Q，et al.Transfer lear-?ning with dynamic adversarial adaptation network［C］//2019 IEEE International Conference on Data Mining（ICDM）.IEEE，2019：778-786.

［7］ ARJOVSKY M，CHINTALA S，BOTTOU L.Wasserstein GAN［J］.DOI：10.48550/arXiv.1701.07875.

［8］ 王玉靜，李少鵬，康守強，等.結(jié)合CNN和LSTM的滾動軸承剩余使用壽命預(yù)測方法［J］.振動、測試與診斷，2021，41（3）：439-446；617.

［9］ 王新剛，韓凱忠，王朝，等.基于遷移學(xué)習(xí)的軸承剩余使用壽命預(yù)測方法［J］.東北大學(xué)學(xué)報（自然科學(xué)版），2021，42（5）：665-672.

［10］ ? HAN T，LIU C，YANG W G，et al.A novel adversarial learning framework in deep convolutional neural net-work for intelligent diagnosis of mechanical faults［J］.Knowledge－Based Systems，2019，165：474-487.

［11］ ? MAO W T，HE J L，ZUO M J.Predicting Remaining Useful Life of Rolling Bearings Based on Deep Feature Representation and Transfer Learning［J］.IEEE Transactions on Instrumentation and Measurement，2020，69（4）：1594-1608.

［12］ ? 陳佳鮮，毛文濤，劉京，等.基于深度時序特征遷移的軸承剩余壽命預(yù)測方法［J］.控制與決策，2021，36（7）：1699-1706.

［13］? ?LONG M S，CAO Y，WANG J M，et al.Learning tra－ nsferable features with deep adaptation networks［C］//Proceedings of the 32nd International Conference on Machine Learning.2015：97-105.

［14］? ?CAO Z J，LONG M S，WANG J M，et al.Partial transfer learning with selective adversarial networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.IEEE，2018.DOI：10.1109/CVPR.2018.00288.

［15］ 施杰，伍星，柳小勤，等.變分模態(tài)分解結(jié)合深度遷移學(xué)習(xí)診斷機(jī)械故障［J］.農(nóng)業(yè)工程學(xué)報，2020，36（14）：129-137.

（收稿日期：2022-11-18，修回日期：2023-06-13）

A Bearing Life Prediction Method Based on Improved

DANN Transfer Learning

XU Jia－jie， SHEN Yan－xia

（College of IoT Engineering，? Jiangnan University ）

Abstract? ?For purpose of solving limited accuracy of bearing life prediction under different operating conditions， a bearing life prediction method based on Wasserstein distance improved－domain adversarial network （DANN） migration learning was proposed. Experiments conducted on the IEEE PHM Challenge 2012 bearing dataset show that， as compared to traditional migration learning methods， the proposed method is effective in improving the accuracy of bearing life prediction under different operating conditions.

Key words? ?bearing， RUL prediction， transfer learning， domain adverse， Wasserstein distance