聯(lián)合殘差域自適應(yīng)的變工況軸承故障診斷方法

駱世龍 段禮祥 張俊玲

滾動(dòng)軸承由于實(shí)際工況變化造成故障數(shù)據(jù)特征分布不同，出現(xiàn)跨領(lǐng)域問題，傳統(tǒng)以數(shù)據(jù)獨(dú)立同分布為前提的故障診斷方法難以解決該問題。為此，設(shè)計(jì)并搭建了聚合殘差網(wǎng)絡(luò)，以殘差連接和分組卷積式的獨(dú)特網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)故障敏感特征深度挖掘。提出一種聯(lián)合殘差域自適應(yīng)的故障診斷方法，該方法通過最優(yōu)廣義S變換構(gòu)建聚合殘差網(wǎng)絡(luò)提取圖像的可遷移特征，最后以聯(lián)合最大均值差異自適應(yīng)地減小數(shù)據(jù)間的聯(lián)合分布差異，實(shí)現(xiàn)變工況軸承的故障診斷。對(duì)3種工況下的滾動(dòng)軸承進(jìn)行了6組遷移試驗(yàn)，試驗(yàn)結(jié)果表明：聯(lián)合殘差域自適應(yīng)方法故障診斷準(zhǔn)確率達(dá)到了98.29%，相比于聯(lián)合分布自適應(yīng)法JDA和聯(lián)合分布自適應(yīng)+卷積神經(jīng)網(wǎng)絡(luò)法JDA+CNN，分別提升了21.0和5.1個(gè)百分點(diǎn)。研究結(jié)果可為變工況滾動(dòng)軸承的故障診斷提供技術(shù)參考。

滾動(dòng)軸承；故障診斷；聚合殘差網(wǎng)絡(luò)；聯(lián)合殘差域自適應(yīng)；故障診斷準(zhǔn)確率

Joint ResNeXt Domain Adaptation Diagnosis Method for

BearingFault Under Variable Working Conditions

Rolling bearing has cross-domain problem due to different distribution of fault data features caused by changes in actual working conditions，which is difficult to be solved by the conventional fault diagnosis method that takes the independent co-distribution of data as the prerequisite.Therefore，a ResNeXt was designed and built to achieve deep mining of fault sensitive features through a unique network structure of residual connection and grouped convolution.Then，a Joint ResNeXt Domain Adaptation fault diagnosis method was proposed，which uses the Optimal Generalized S-Transform to build a ResNeXt to extract the transferable features of images.Finally，the Joint Maximum Mean Discrepancy was used to adaptively reduce the joint distribution difference among data，and achieve fault diagnosis of bearing under variable operating conditions.Moreover，6 sets of migration tests were carried out on rolling bearing under 3 kinds of working conditions.The test results show that the fault diagnosis accuracy of the Joint ResNeXt Domain Adaptation method reaches 98.29%，which is improved by 21.0% and 5.1% compared to the joint distribution adaptation method （JDA） and the joint distribution adaptation + convolutional neural network method （JDA+CNN） respectively.The study results provide technical reference for the fault diagnosis of rolling bearing under variable working conditions.

rolling bearing；fault diagnosis；ResNeXt；joint ResNeXt domain adaptation；fault diagnosis accuracy

0 引 言

在實(shí)際工程中，滾動(dòng)軸承廣泛應(yīng)用于各種旋轉(zhuǎn)機(jī)械中，旋轉(zhuǎn)機(jī)械設(shè)備常在變工況下運(yùn)行，工況變化導(dǎo)致滾動(dòng)軸承的故障數(shù)據(jù)分布存在明顯差異。變工況下的數(shù)據(jù)可視作不同領(lǐng)域的樣本，不同領(lǐng)域的樣本之間特征空間和類別空間相同，但特征分布不同，正符合跨領(lǐng)域問題的假設(shè)［1］，即變工況軸承故障診斷中存在跨領(lǐng)域問題。在解決跨領(lǐng)域問題時(shí)，傳統(tǒng)故障診斷方法以數(shù)據(jù)獨(dú)立同分布為前提，導(dǎo)致故障診斷準(zhǔn)確率不高。因此，開展跨領(lǐng)域問題研究對(duì)于解決變工況軸承的故障診斷問題具有重要意義。

如何有效地進(jìn)行變工況滾動(dòng)軸承的故障診斷已經(jīng)成為近幾年諸多專家和學(xué)者關(guān)注的問題。一些學(xué)者通過信號(hào)解調(diào)和信號(hào)處理技術(shù)，如同步平均［2］、階次跟蹤［3］、時(shí)頻分析［4］等，消除信號(hào)中對(duì)工況敏感的信息，再將人工提取的特征輸入到支持向量機(jī)、K-近鄰算法等機(jī)器學(xué)習(xí)模型中進(jìn)行故障分類，一定程度上提高了變工況軸承故障診斷準(zhǔn)確率。但上述方法需要豐富的信號(hào)處理的先驗(yàn)知識(shí)，信號(hào)處理過程復(fù)雜且限制眾多，難以真正消除工況對(duì)數(shù)據(jù)分布的影響，在解決跨領(lǐng)域問題時(shí)局限性較大。遷移學(xué)習(xí)作為機(jī)器學(xué)習(xí)一個(gè)新分支，打破了數(shù)據(jù)獨(dú)立同分布的局限，為變工況軸承故障診斷提供了新思路。其中，領(lǐng)域自適應(yīng)（Domain Adaptation，DA）作為一種特定設(shè)置下的遷移學(xué)習(xí)方法，通過尋找一種映射縮小源域和目標(biāo)域的分布差異，主要用來解決跨領(lǐng)域問題［5］。文獻(xiàn)［6］提出了一種聯(lián)合分布自適應(yīng)（Joint Distrbution Adaptation，JDA）遷移診斷方法，通過聯(lián)合分布自適應(yīng)方法進(jìn)行聯(lián)合分布適配，減小源域和目標(biāo)域樣本的聯(lián)合分布差異，實(shí)現(xiàn)變工況軸承的故障診斷。但聯(lián)合分布自適應(yīng)方法作為一種淺層遷移方法，特征提取能力不足，難以提取深層故障敏感特征。與淺層模型不同，卷積神經(jīng)網(wǎng)絡(luò)作為一種深度學(xué)習(xí)方法結(jié)構(gòu)更為復(fù)雜，可自適應(yīng)地提取包含更多故障敏感信息的特征［7］。一些學(xué)者將聯(lián)合分布自適應(yīng)與卷積神經(jīng)網(wǎng)絡(luò)（Convdaltional Neural Network，CNN）結(jié)合，以提高模型的特征提取能力。文獻(xiàn)［8］將神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)方法結(jié)合，通過深度網(wǎng)絡(luò)提取故障特征，有效改善了變工況軸承的特征提取效果。但該類研究所使用的深度網(wǎng)絡(luò)層數(shù)較少，特征提取效果仍有待提升，若改用更深層的網(wǎng)絡(luò)則會(huì)隨層數(shù)加深出現(xiàn)梯度彌散及性能下降問題。殘差網(wǎng)絡(luò)（ResNet）為解決該類問題提供了方案，殘差網(wǎng)絡(luò)以殘差連接的方式緩解了網(wǎng)絡(luò)深度增加帶來的梯度彌散問題，可最大程度地加深網(wǎng)絡(luò)，提高網(wǎng)絡(luò)的特征提取能力［9］。而聚合殘差網(wǎng)絡(luò)［10］（ResNeXt）是殘差網(wǎng)絡(luò)的繼承和發(fā)展，相比于ResNet，其在殘差連接的基礎(chǔ)上又以分組卷積式結(jié)構(gòu)代替原有的卷積模塊，在保持或降低模型參數(shù)量的同時(shí)可進(jìn)一步提高特征提取能力。

為此，本文結(jié)合聯(lián)合分布自適應(yīng)方法可適配領(lǐng)域間的聯(lián)合分布和ResNeXt具有強(qiáng)大特征提取能力的優(yōu)點(diǎn)，提出一種聯(lián)合殘差域自適應(yīng)（Joint ResNeXt Domain Adaptation，JRDAN）的故障診斷方法來解決變工況滾動(dòng)軸承的故障診斷問題。該方法構(gòu)建ResNeXt50作為特征提取器以提取深層故障敏感特征，通過聯(lián)合最大均值差異（Joint Maximum Mean Discrepancy，JMMD）在網(wǎng)絡(luò)全連接層進(jìn)行聯(lián)合自適應(yīng)，以最小化源域和目標(biāo)域間的聯(lián)合分布差異，從而實(shí)現(xiàn)變工況滾動(dòng)軸承的故障診斷。

1 理論分析

1.1 廣義S變換

為了進(jìn)行時(shí)頻局部化分析，R.G.STOCKWELL等［11］于1996年提出了S變換（S-Transform，ST）時(shí)頻分析方法，其定義為。

式中：S（τ，f，σ）為信號(hào)的S變換結(jié)果;h（t）為時(shí)間序列信號(hào);t為時(shí)間;f為頻率;τ為時(shí)移因子;σ為窗口尺度因子。

S變換的窗函數(shù)為高斯窗函數(shù)，其定義為：

式中：w（t，f）為高斯窗函數(shù);σ（f）為標(biāo)準(zhǔn)差，σ（f）=1/f。

雖然S變換的窗寬隨著頻率的變化而變化，但是也存在一種缺陷，即在頻率一定時(shí)，窗寬也隨之被確定。在信號(hào)分析中，固定為頻率倒數(shù)的窗寬并不是最優(yōu)的，導(dǎo)致S變換在處理非平穩(wěn)信號(hào)時(shí)效果并不理想。因而對(duì)S變換做出改進(jìn)［12］，即在頻率固定時(shí)，通過改變?cè)诖昂瘮?shù)中引入的調(diào)節(jié)因子的值也能調(diào)節(jié)窗寬，以此得到廣義S變換（Generalized S-Transform，GST）。廣義S變換的表達(dá)式為：

式中：STG（τ，f）為信號(hào)的廣義S變換結(jié)果；p為調(diào)節(jié)因子，p=1時(shí)即為標(biāo)準(zhǔn)S變換，在信號(hào)分析中，p一般在（0，1]內(nèi)取值。

為了得到效果更好的時(shí)頻表示，需要選擇一個(gè)合適的p值。根據(jù)時(shí)頻分布集中程度引入一個(gè)時(shí)頻聚集性度量，度量準(zhǔn)則［13］為：

1.2 聚合殘差網(wǎng)絡(luò)

加深或加寬網(wǎng)絡(luò)是提高模型準(zhǔn)確率的常規(guī)方法，隨著網(wǎng)絡(luò)的加深或加寬，參數(shù)量也會(huì)迅速增加，同時(shí)網(wǎng)絡(luò)訓(xùn)練速度也會(huì)變慢。隨著網(wǎng)絡(luò)層數(shù)進(jìn)一步的增加，不僅模型訓(xùn)練準(zhǔn)確率不升反降，而且網(wǎng)絡(luò)性能也出現(xiàn)退化問題。為了進(jìn)一步提高網(wǎng)絡(luò)性能，XIE S.N.等［10］在ResNet基礎(chǔ)上引入Inception網(wǎng)絡(luò)的“分割-變換-聚合”（split-transform-merge）的思想，提出了ResNeXt網(wǎng)絡(luò)。以殘差學(xué)習(xí)中的跨層連接方式緩解了由于深度增加帶來的梯度彌散以及網(wǎng)絡(luò)退化問題；另外，相比于傳統(tǒng)以增加網(wǎng)絡(luò)深度和寬度來提高模型準(zhǔn)確率的方法，它增加了一個(gè)新的維度，該維度稱為基數(shù)（Cardinality）（聚合后轉(zhuǎn)換的集合大?。?，通過控制基數(shù)的數(shù)量，在不增加甚至減少模型參數(shù)量的前提下提高了模型分類的準(zhǔn)確率［14］。

在Inception系列網(wǎng)絡(luò)［15］的“分割-變換-聚合”結(jié)構(gòu)中，假定一個(gè)D維的輸入數(shù)據(jù)x=［x1，x2，…，xD］，輸入權(quán)值為w=［w1，w2，…，wD］，輸出為Hx，可得：

“分割-變換-聚合”結(jié)構(gòu)圖如圖1所示。

ResNeXt網(wǎng)絡(luò)本質(zhì)是分組卷積，其聚合變換的公式為：

Hx=x+∑Ci=1Tix（6）

式中：C為基數(shù)；Tix為第i點(diǎn)的映射，可以為任意形式。

在ResNet網(wǎng)絡(luò)基礎(chǔ)上引入上述結(jié)構(gòu)多分支的思想，以平行堆疊且完全一致的拓?fù)浣Y(jié)構(gòu)來代替ResNet中的3層卷積模塊，即得到ResNeXt網(wǎng)絡(luò)。ResNeXt和ResNet的模塊對(duì)比如圖2所示。ResNeXt的可擴(kuò)展性相比于ResNet更強(qiáng)，可以理解為在增加準(zhǔn)確率的同時(shí)保持或減小模型復(fù)雜度。目前，常用的ResNeXt結(jié)構(gòu)有ResNeXt-50、ResNeXt-101、ResNeXt-152等。

1.3 聯(lián)合分布自適應(yīng)方法

別空間一致，但存在如下2種分布差異：①源域和目標(biāo)域的邊緣分布差異，即P（XS）≠P（XT），其中P（XS）和P（XT）分別為源域和目標(biāo)域的邊緣概率分布；②兩域類別內(nèi)的條件分布差異，即Q（YSXS）≠Q(mào)（YTXT），其中Q（YSXS）和QYTXT分別為源域和目標(biāo)域的條件概率分布。聯(lián)合分布自適應(yīng)的目標(biāo)就是尋找一種映射同時(shí)縮小源域和目標(biāo)域的邊緣分布差異和條件分布差異，即在對(duì)齊全局域時(shí)進(jìn)一步對(duì)齊各類別子域［17］。聯(lián)合分布自適應(yīng)示意圖如圖3所示。

式中：φ·是再生希爾伯特空間的映射；H是再生希爾伯特空間（RKHS）。

目標(biāo)域數(shù)據(jù)沒有真實(shí)標(biāo)簽或有少量標(biāo)簽，而源域數(shù)據(jù)帶有標(biāo)簽，通過訓(xùn)練源域標(biāo)記數(shù)據(jù)，得到預(yù)訓(xùn)練模型，將目標(biāo)域數(shù)據(jù)輸入該模型得到偽標(biāo)簽。故障類別B的MMD條件分布［19］表達(dá)式為：

式中：nBS為源域中故障類別B的樣本數(shù)量；nBT為目標(biāo)域中故障類別B的樣本數(shù)量。

在聯(lián)合分布自適應(yīng)方法中，源域和目標(biāo)域的聯(lián)合分布差異（DJMMD）度量可以視作兩域邊緣分布和類內(nèi)條件分布之和，表達(dá)式為：

式中：b為故障類別數(shù)量，nB為最大故障類別數(shù)量。

2 聯(lián)合殘差域自適應(yīng)的故障診斷方法

2.1 聯(lián)合殘差域自適應(yīng)模型構(gòu)建

通過構(gòu)建聯(lián)合殘差域自適應(yīng)模型來對(duì)最優(yōu)廣義S變換生成的二維時(shí)頻圖像提取可遷移特征并進(jìn)行故障分類，結(jié)構(gòu)如圖4所示。

ResNeXt作為一種骨干網(wǎng)絡(luò)，可以其獨(dú)特的殘差連接和分組卷積式結(jié)構(gòu)最大程度地加深網(wǎng)絡(luò)，以提高模型性能。本文以ResNeXt50作為特征提取網(wǎng)絡(luò)。為進(jìn)一步提高計(jì)算效率，對(duì)ResNeXt50做出如下改進(jìn)，將第1層的卷積核由1個(gè)7×7改為3個(gè)3×3，具體網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)見表1。conv為網(wǎng)絡(luò)層，其中，conv1為第1層，由3個(gè)3×3卷積核構(gòu)成，conv2至conv5為第2至5層，分別由不同數(shù)量殘差塊構(gòu)成。以conv2為例，表1中“3×3”為卷積核規(guī)格，“128”為卷積核個(gè)數(shù)，“×3”為殘差塊的個(gè)數(shù)。

聯(lián)合分布自適應(yīng)模塊即在聚合殘差網(wǎng)絡(luò)的全連接層引入聯(lián)合分布度量，將域適應(yīng)損失加入到網(wǎng)絡(luò)損失函數(shù)中，得到最終的損失函數(shù)：

L=LC+λLJMMDDS，DT（10）

式中：LC為分類損失函數(shù)，一般選擇交叉熵?fù)p失；LJMMDDS，DT為域適應(yīng)損失，可近似為聯(lián)合分布差異度量，即LJMMD（DS，DT）≈DJMMD（DS，DT）；λ為2種損失的平衡因子。

2.2 聯(lián)合殘差域自適應(yīng)的故障診斷方法步驟

采用最優(yōu)廣義S變換將軸承原始振動(dòng)信號(hào)轉(zhuǎn)換為二維時(shí)頻圖像，并構(gòu)建聯(lián)合殘差域自適應(yīng)模塊進(jìn)行變工況軸承的故障診斷。主要步驟如下：

（1）采集設(shè)備振動(dòng)信號(hào)，并采用滑窗取樣策略從原始振動(dòng)信號(hào)中截取故障樣本。

（2）利用最優(yōu)廣義S變換將截取的一維故障信號(hào)轉(zhuǎn)換為時(shí)頻聚集性較高的二維時(shí)頻圖像。

（3）按照4∶1的比例隨機(jī)劃分訓(xùn)練樣本和測(cè)試樣本，用于模型的訓(xùn)練和測(cè)試。

（4）構(gòu)建ResNeXt50網(wǎng)絡(luò)提取源域和目標(biāo)域圖像的可遷移特征，形成共享特征集。

（5）在全連接層加入聯(lián)合分布距離度量，通過JMMD計(jì)算并減小兩域分布差異，實(shí)現(xiàn)領(lǐng)域自適應(yīng)。

（6）時(shí)頻圖將訓(xùn)練樣本以批量方式輸入模型，通過全連接層進(jìn)行故障分類并計(jì)算損失。

（7）利用反向傳播算法優(yōu)化目標(biāo)函數(shù)，直到將訓(xùn)練樣本全部訓(xùn)練完畢且網(wǎng)絡(luò)達(dá)到收斂，此時(shí)得到訓(xùn)練好的模型。

（8）輸入測(cè)試樣本，輸出診斷結(jié)果。

故障診斷流程如圖5所示。

3 試驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)來源

采用實(shí)驗(yàn)室行星齒輪箱試驗(yàn)臺(tái)的滾動(dòng)軸承故障數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證。試驗(yàn)平臺(tái)結(jié)構(gòu)如圖6所示。齒輪箱型號(hào)為HD-CL-012X，配備控制系統(tǒng)型號(hào)LY-CS0、冷卻水箱型號(hào)LY-LC00、傳感器型號(hào)HD-YD-232的三向加速度傳感器。試驗(yàn)對(duì)象為滾動(dòng)軸承，位于行星齒輪箱內(nèi)部。

采集加速度傳感器監(jiān)測(cè)的滾動(dòng)軸承故障信號(hào)，采樣頻率為12 288 Hz。將滾動(dòng)軸承故障類型設(shè)置為內(nèi)圈點(diǎn)蝕、外圈點(diǎn)蝕、滾動(dòng)體點(diǎn)蝕3種故障類型，并采集沒有故障的滾動(dòng)軸承運(yùn)行時(shí)的數(shù)據(jù)作為正常樣本，共4種狀態(tài)。4種狀態(tài)下的時(shí)域信號(hào)如圖7所示。本文以轉(zhuǎn)速變化為例，試驗(yàn)構(gòu)建了3種不同轉(zhuǎn)速下的數(shù)據(jù)集，如表2所示。

3.2 數(shù)據(jù)預(yù)處理

為得到性能好的預(yù)訓(xùn)練模型，需要足夠的故障樣本參與聯(lián)合殘差域自適應(yīng)方法的訓(xùn)練，因此選擇滑窗取樣策略從原始振動(dòng)信號(hào)中截取故障樣本。取采樣信號(hào)128 000點(diǎn)，以4 096個(gè)點(diǎn)為采樣點(diǎn)數(shù)，256個(gè)點(diǎn)為步長(zhǎng)進(jìn)行滑動(dòng)窗口采樣，如圖8所示。之后經(jīng)最優(yōu)廣義S變換將一維信號(hào)轉(zhuǎn)為二維圖像，如圖9所示。每類樣本生成500張圖片，隨機(jī)選取80%作為訓(xùn)練集，剩下20%作為測(cè)試集。

3.3 試驗(yàn)結(jié)果分析

為驗(yàn)證聯(lián)合殘差域自適應(yīng)方法在不同工況下的遷移診斷能力，將最優(yōu)廣義S變換得到的時(shí)頻圖像作為網(wǎng)絡(luò)輸入，設(shè)置6組遷移任務(wù)進(jìn)行試驗(yàn)。為避免試驗(yàn)結(jié)果具有偶然性，迭代次數(shù)設(shè)為50次，每組試驗(yàn)均重復(fù)10次，取其平均值。診斷結(jié)果如表3所示。

從表3可以看出，在不同工況的遷移任務(wù)下，聯(lián)合殘差域自適應(yīng)方法均表現(xiàn)出上佳的診斷性能，在源域和目標(biāo)域上的故障診斷平均準(zhǔn)確率分別為96.96%和98.29%，表明本文方法能有效消除領(lǐng)域間的分布差異，解決跨領(lǐng)域問題，實(shí)現(xiàn)變工況軸承的故障精確診斷。

為了分析聯(lián)合殘差域自適應(yīng)方法在測(cè)試集上的表現(xiàn)，將試驗(yàn)結(jié)果繪制成混淆矩陣，展示4類故障狀態(tài)在測(cè)試集上分類的準(zhǔn)確率。以A→B、A→C下的遷移診斷結(jié)果為例，其混淆矩陣如圖10所示。其中，橫坐標(biāo)為預(yù)測(cè)標(biāo)簽，縱坐標(biāo)為真實(shí)標(biāo)簽，對(duì)角線數(shù)據(jù)則表示分類的正確率。由圖10可以看出，本文方法對(duì)各類故障識(shí)別的準(zhǔn)確率均在98%以上，可以有效地識(shí)別滾動(dòng)軸承正常、內(nèi)圈點(diǎn)蝕、外圈點(diǎn)蝕和滾動(dòng)體點(diǎn)蝕4種故障，從而提高變工況軸承的故障診斷準(zhǔn)確率。

t分布式隨機(jī)近鄰嵌入（t-distribution Stochastic Neighbor Embedding，t-SNE）［20］是一種用于數(shù)據(jù)降維的機(jī)器學(xué)習(xí)算法，可以將高維數(shù)據(jù)降至2維或3維并將聚類結(jié)果展示出來。為了更加直觀地觀察聯(lián)合殘差域自適應(yīng)方法對(duì)各種故障的分類效果，采用t-SNE將原始數(shù)據(jù)和故障分類輸出層提取的特征進(jìn)行降維和聚類。以A→B、A→C下的遷移診斷結(jié)果為例，特征可視化如圖11所示，其中橫、縱坐標(biāo)為降維后樣本點(diǎn)在低維空間中的位置。由圖11a可以看出，原始數(shù)據(jù)的特征混亂、重疊較多、可分性差，源域和目標(biāo)域數(shù)據(jù)分布存在明顯差異。經(jīng)過聯(lián)合殘差域自適應(yīng)方法訓(xùn)練后的特征圖如圖11b和圖11c所示。從圖11b和圖11c可見，不同類別的故障特征之間界限分明，不同領(lǐng)域的同類故障基本重合在一起，聚類效果良好。分析結(jié)果表明，聯(lián)合殘差域自適應(yīng)方法能有效地拉近來自不同工況的數(shù)據(jù)之間的分布距離，消除數(shù)據(jù)分布差異。

3.4 不同方法對(duì)比

為進(jìn)一步驗(yàn)證聯(lián)合殘差域自適應(yīng)方法的優(yōu)越性，將其與JDA、JDA+CNN進(jìn)行對(duì)比分析。其中，JDA+CNN方法的特征提取模塊結(jié)構(gòu)參數(shù)如表4所示。網(wǎng)絡(luò)深度為3層，每層由1個(gè)卷積層后跟1個(gè)最大池化層組成。卷積核規(guī)格為5×5，步長(zhǎng)為2；池化規(guī)格為3×3，步長(zhǎng)為2。

對(duì)比分析結(jié)果如圖12所示。由圖12可知：在各個(gè)遷移任務(wù)中，聯(lián)合殘差域自適應(yīng)方法的故障診斷準(zhǔn)確率最高，為98.29%；其次為JDA+CNN，故障診斷準(zhǔn)確率為93.20%；JDA的故障診斷準(zhǔn)確率最低，為77.25%。結(jié)果表明，本文方法相比于JDA等淺層遷移學(xué)習(xí)方法在診斷準(zhǔn)確率上具有明顯的優(yōu)勢(shì)，故障診斷準(zhǔn)確率提高了約21.0個(gè)百分點(diǎn)。而在2種深度遷移學(xué)習(xí)方法中，本文方法以ResNeXt50作為特征提取器，可通過加深網(wǎng)絡(luò)層數(shù)來提高網(wǎng)絡(luò)性能，且其分組卷積式的結(jié)構(gòu)使其相比其他網(wǎng)絡(luò)在同等深度下參數(shù)量更少，可有效地提取深層故障敏感特征。相對(duì)于JDA+CNN，準(zhǔn)確率提高了約5.1個(gè)百分點(diǎn)。因此，本文方法在變工況軸承故障診斷中具有更優(yōu)的診斷性能。

4 結(jié) 論

提出一種聯(lián)合殘差域自適應(yīng)的故障診斷方法。通過變工況滾動(dòng)軸承的遷移診斷試驗(yàn)驗(yàn)證了該方法的有效性和可行性。

（1）針對(duì)跨領(lǐng)域問題，引入聯(lián)合分布自適應(yīng)（JDA）方法同時(shí)適配領(lǐng)域間聯(lián)合分布的思想，實(shí)現(xiàn)了領(lǐng)域自適應(yīng)診斷；針對(duì)JDA結(jié)構(gòu)簡(jiǎn)單、特征提取困難的問題，設(shè)計(jì)并搭建了具有殘差連接和分組卷積式結(jié)構(gòu)的聚合殘差網(wǎng)絡(luò)，以提高特征提取能力。本文方法結(jié)合兩者的優(yōu)勢(shì)，實(shí)現(xiàn)了深度網(wǎng)絡(luò)領(lǐng)域自適應(yīng)，為變工況故障診斷提供了新思路。

（2）經(jīng)過試驗(yàn)驗(yàn)證，聯(lián)合殘差域自適應(yīng)方法將不同工況的數(shù)據(jù)特征同步映射到一個(gè)網(wǎng)絡(luò)隱藏層中，自適應(yīng)地消除數(shù)據(jù)間的聯(lián)合分布差異，有效地解決了跨領(lǐng)域問題，故障診斷平均準(zhǔn)確率達(dá)到了98.29%。

（3）聯(lián)合殘差域自適應(yīng)方法以ResNeXt50作為特征提取器可自動(dòng)挖掘?qū)r信息敏感度低的域不變特征，有效地提升了故障診斷效果，相比于JDA和JDA+CNN方法，故障診斷準(zhǔn)確率分別提升了約21.0和5.1個(gè)百分點(diǎn)。

［1］ ?洪曉翠，段禮祥，徐繼威，等．變工況下軸承故障的殘差對(duì)抗網(wǎng)絡(luò)診斷方法［J］．石油機(jī)械，2022，50（5）：32-42．

HONG X C，DUAN L X，XU J W，et al.Residual adversarial neural network diagnosis method for bearing faults under variable working conditions［J］.China Petroleum Machinery，2022，50（5）：32-42.

［2］ HA J M，YOUN B D.Fault diagnosis of a planetary gearbox by D norm-based time synchronous averaging （DTSA）with roughly estimated phase information under an encoder-less operating condition［J］.Journal of Sound and Vibration，2022，520：116546.

［3］ 王博，王斌，趙東平．階次跟蹤在行星齒輪箱非平穩(wěn)信號(hào)故障診斷中的應(yīng)用［J］．重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)，2021，35（2）：105-111．

WANG B，WANG B，ZHAO D P.Application of fault diagnosis of a planetary gearbox with non-stationary signal base on order tracking［J］.Journal of Chongqing University of Technology （Natural Science），2021，35（2）：105-111.

［4］ 張燕霞，戶文剛．基于VMD-SVD和SVM的旋轉(zhuǎn)機(jī)械故障診斷研究［J］．機(jī)電工程，2022，39（3）：324-329．

ZHANG Y X，HU W G.Fault diagnosis of rotating machinery based on VMD-SVD and SVM［J］.Journal of Mechanical & Electrical Engineering，2022，39（3）：324-329.

［5］ 袁壯，董瑞，張來斌，等．深度領(lǐng)域自適應(yīng)及其在跨工況故障診斷中的應(yīng)用［J］．振動(dòng)與沖擊，2020，39（12）：281-288．

YUAN Z，DONG R，ZHANG L B，et al.Deep domain adaptation and Its application in fault diagnosis across working conditions［J］.Journal of Vibration and Shock，2020，39（12）：281-288.

［6］ 劉應(yīng)東，劉韜，李華，等．變工況軸承的聯(lián)合分布適應(yīng)遷移故障診斷［J］．電子測(cè)量與儀器學(xué)報(bào)，2021，35（5）：69-75．

LIU Y D，LIU T，LI H，et al.Transfer fault diagnosis of bearings under variable working conditions based on joint distribution adaptation［J］.Journal of Electronic Measurement and Instrumentation，2021，35（5）：69-75.

［7］ 段禮祥，李濤，唐瑜，等．基于多源異構(gòu)信息融合的機(jī)械故障診斷方法［J］．石油機(jī)械，2021，49（2）：60-67，80．

DUAN L X，LI T，TANG Y，et al.Mechanical fault diagnosis method based on multi-source heterogeneous information fusion［J］.China Petroleum Machinery，2021，49（2）：60-67，80.

［8］ 張釗，李新宇，高亮．基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)的無監(jiān)督故障診斷方法［J］．計(jì)算機(jī)集成制造系統(tǒng)，2022，28（8）：2365-2374．

ZHANG Z，LI X Y，GAO L.Unsupervised fault diagnosis method based on domain adaptive neural network and joint distributed adaptive［J］.Computer Integrated Manufacturing Systems，2022，28（8）：2365-2374.

［9］ 李炳臻，劉克，顧佼佼，等．卷積神經(jīng)網(wǎng)絡(luò)研究綜述［J］．計(jì)算機(jī)時(shí)代，2021（4）：8-12，17．

LI B Z，LIU K，GU J J，et al.Review of the researches on convolutional neural networks［J］.Computer Era，2021（4）：8-12，17.

［10］ XIE S N，GIRSHICK R，DOLLáR P，et al.Aggregated residual transformations for deep neural networks［C］∥2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu，HI，USA，2017：5987-5995.

［11］ STOCKWELL R G，MANSINHA L，LOWE R P.Localization of the complex spectrum：the S transform［J］.IEEE Transactions on Signal Processing，1996，44（4）：998-1001.

［12］ WANG S D，HE Y G，YIN B Q，et al.Multi-Resolution generalized S-Transform denoising for precise localization of partial discharge in substations［J］.IEEE Sensors Journal，2021，21（4）：4966-4980.

［13］ 羅繼輝，黃國(guó)勇．基于廣義S變換和深度置信網(wǎng)絡(luò)的單向閥故障診斷［J］．電子測(cè)量與儀器學(xué)報(bào)，2019，33（9）：192-198．

LUO J H，HUANG G Y.Check valve fault diagnosis based on generalized S-transform and deep belief network［J］.Journal of Electronic Measurement and Instrumentation，2019，33（9）：192-198.

［14］ 王哲，劉學(xué)平，李玙乾，等．基于ResNeXt網(wǎng)絡(luò)的滾動(dòng)軸承剩余使用壽命預(yù)測(cè)［J］．制造業(yè)自動(dòng)化，2022，44（6）：17-19．

WANG Z，LIU X P，LI Y Q，et al.Prediction of remaining useful life of rolling bearing based on ResNeXt［J］.Manufacturing Automation，2022，44（6）：17-19.

［15］ SZEGEDYC，LIU W，JIA Y Q，et al.Going deeper with convolutions［C］∥2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Boston，MA，USA，2015：1-9.

［16］ LONG M S，WANG J M，DING G G，et al.Transfer feature learning with joint distribution adaptation［C］∥Proceedings of the 2013 IEEE International Conference on Computer Vision.Sydney，NSW，Australia，2013：2200-2207.

［17］ 錢思宇，秦東晨，陳江義，等．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［J］．振動(dòng)與沖擊，2022，41（24）：192-200．

QIAN S Y，QIN D C，CHEN J Y，et al.Bearing fault diagnosis based on a domain adaptation model of convolutional neural network under multiple working conditions［J］.Journal of Vibration and Shock，2022，41（24）：192-200.

［18］ TZENG E，HOFFMAN J，ZHANG N，et al.Deep domain confusion：maximizing for domain invariance［EB/OL］.（2021-12-10）［2023-09-02］.https：∥arxiv.org/abs/1412.3474.

［19］ 高麗鵬，雷文平，張潤(rùn)，等．無監(jiān)督深度遷移學(xué)習(xí)的齒輪箱故障診斷［J］．組合機(jī)床與自動(dòng)化加工技術(shù)，2022（9）：68-71．

GAO L P，LEI W P，ZHANG R，et al.Research on gearbox fault diagnosis based on unsupervised deep transfer learning［J］.Modular Machine Tool & Automatic Manufacturing Technique，2022（9）：68-71.

［20］ LAURENS V D M，HINTON G.Visualizing data using t-SNE［J］.Journal of Machine Learning Research，2008，9（86）：2579-2605.