劉嘉濛，鄭凡帆，梁麗冰，馬 波,2*

(1.北京化工大學(xué) 發(fā)動(dòng)機(jī)健康監(jiān)控及網(wǎng)絡(luò)化教育部重點(diǎn)實(shí)驗(yàn)室，北京 100029；2.北京化工大學(xué) 高端機(jī)械裝備健康監(jiān)控與自愈化北京市重點(diǎn)實(shí)驗(yàn)室，北京 100029)

0 引 言

機(jī)械設(shè)備振動(dòng)信號(hào)因其信息豐富，能夠很好地反映設(shè)備的運(yùn)行狀態(tài)，成為設(shè)備故障診斷中最常用的物理參數(shù)[1]。基于振動(dòng)信號(hào)的故障診斷模式一般為：振動(dòng)信號(hào)-特征提取-分類識(shí)別。

近年來，在以信號(hào)處理為基礎(chǔ)的故障診斷研究中，傳統(tǒng)的特征提取模式與機(jī)器學(xué)習(xí)分類模式相結(jié)合的方法取得了不錯(cuò)的成果，如利用K最近鄰分類算法[2-3]、支持向量機(jī)方法[4-5]以及BP神經(jīng)網(wǎng)絡(luò)方法[6-7]等。但以上方法中，都是以傳統(tǒng)信號(hào)處理方法提取到的故障特征作為模型輸入，某些故障特征在診斷過程中與訓(xùn)練集差距較大，且無法滿足訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)具有相同分布的前提需求，因而在應(yīng)用方面具有局限性。

為克服上述影響，一些學(xué)者在研究中降低了故障特征與工況的關(guān)聯(lián)性，從而能夠提取更深層次的特征，取得了良好的效果。YANG等[8]提出了一種基于變量預(yù)測(cè)分類的故障模型，將局域均值分解和階次跟蹤分析相結(jié)合，用于變轉(zhuǎn)速滾動(dòng)軸承振動(dòng)故障特征的提?。籅ORGHESANI等[9]采用倒譜分析法對(duì)信號(hào)進(jìn)行了預(yù)白化處理，實(shí)現(xiàn)了變工況條件下的損傷識(shí)別；陳小旺等[10]提出了一種迭代廣義同步壓縮變換方法，提高了時(shí)變信號(hào)的可讀性；孟玲霞等[11]則通過濾波與盲源分離對(duì)信號(hào)消噪，以此為基礎(chǔ)選取了若干對(duì)工況變化不敏感的時(shí)域、頻域特征作為風(fēng)電機(jī)組預(yù)警指標(biāo)。

以上方法雖然取得了不錯(cuò)的效果，但仍依賴于復(fù)雜的信號(hào)處理手段和專家經(jīng)驗(yàn)，且難以保證故障特征對(duì)所有故障都具備敏感性，選取上存在較大困難。因此，也有一部分學(xué)者提出了采用深度學(xué)習(xí)方法，利用其強(qiáng)大的特征學(xué)習(xí)能力，實(shí)現(xiàn)了故障特征自適應(yīng)提取。JIA等[12]采用了堆疊降噪自動(dòng)編碼器預(yù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)，對(duì)齒輪傳動(dòng)系統(tǒng)進(jìn)行了故障診斷；趙光權(quán)[13]使用深度置信網(wǎng)絡(luò)(deep belief network, DBN)對(duì)軸承數(shù)據(jù)進(jìn)行了故障識(shí)別；ZHANG[14]設(shè)計(jì)了一種“第一層寬卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural networks with wide first-layer kernel，WDCNN)”，并在軸承數(shù)據(jù)集上取得了不錯(cuò)的效果?？傮w而言，基于深度學(xué)習(xí)的方法能夠自適應(yīng)地學(xué)習(xí)出表征設(shè)備運(yùn)行狀態(tài)的深層次特征，無需根據(jù)故障類型針對(duì)性地選取敏感特征，但由于其大多為直接輸入時(shí)域或頻域信號(hào)，導(dǎo)致學(xué)習(xí)出的故障特征仍會(huì)受到因訓(xùn)練樣本的變化所帶來的影響。

近年來，遷移學(xué)習(xí)受到機(jī)器學(xué)習(xí)領(lǐng)域的廣泛關(guān)注，ARNOLD[15]以解決不同類型文章中的詞匯分類問題為出發(fā)點(diǎn)，提出了遷移學(xué)習(xí)的概念，闡述了機(jī)器學(xué)習(xí)中測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)分布不一致的問題，并將其歸結(jié)為跨域?qū)W習(xí)問題，對(duì)應(yīng)的解決方案稱為領(lǐng)域自適應(yīng)(domain adaptation, DA)。在DA中，模型的訓(xùn)練數(shù)據(jù)屬于源域，與訓(xùn)練數(shù)據(jù)分布不同的測(cè)試數(shù)據(jù)屬于目標(biāo)域，其目標(biāo)之一是通過訓(xùn)練對(duì)領(lǐng)域差異不敏感的特征提取器，使不同域數(shù)據(jù)中提取的特征具有相似的分布。2016年，GANIN Y[16]借鑒了生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial networks, GAN)[17]中生成器和判別器對(duì)抗訓(xùn)練，并最終使生成的樣本欺騙過判別器這一策略，提出了領(lǐng)域?qū)咕W(wǎng)絡(luò)(domain adversarial neural networks, DANN)，對(duì)模型中的特征提取器和領(lǐng)域判別器實(shí)行了對(duì)抗訓(xùn)練，使領(lǐng)域判別器無法辨別特征的真實(shí)來源，達(dá)成了特征不受領(lǐng)域變化影響的目的。該方法已在計(jì)算機(jī)視覺、語音識(shí)別、文本處理與情感分析[18-20]中取得了較好的跨域?qū)W習(xí)效果。

針對(duì)傳統(tǒng)信號(hào)處理方法和傳統(tǒng)機(jī)器學(xué)習(xí)方法的局限性，本文將借鑒DANN在其他領(lǐng)域的成功應(yīng)用，提出一種基于DANN的故障診斷方法。

1 領(lǐng)域?qū)咕W(wǎng)絡(luò)

DANN結(jié)構(gòu)如圖1所示。

圖1 DANN結(jié)構(gòu)示意

DANN結(jié)構(gòu)由3部分組成，分別為：基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)[21]的特征提取器Gf、故障分類器Gy和領(lǐng)域判別器Gd。

為實(shí)現(xiàn)不同領(lǐng)域特征之間的對(duì)抗訓(xùn)練，DANN在Gf后引入Gd，并在其間添加梯度反轉(zhuǎn)層(gradient reversal layer, GRL)。

GRL的前向計(jì)算和反向傳播過程可表示為：

(1)

式中：I—單位矩陣。

領(lǐng)域?qū)乖砣鐖D2所示。

圖2 領(lǐng)域?qū)乖?/p>

訓(xùn)練過程中，特征提取器Gf通過最大化領(lǐng)域判別器的損失函數(shù)Ld來學(xué)習(xí)參數(shù)θf，領(lǐng)域判別器Gd通過最小化損失函數(shù)Ld來調(diào)整領(lǐng)域判別器的參數(shù)θd。DANN的優(yōu)化目標(biāo)還包括最小化故障分類器的分類誤差Ly。

整體目標(biāo)函數(shù)如下：

(2)

式中：yi—故障類別；di—領(lǐng)域類別；θf—Gf參數(shù)；θy—Gy參數(shù)；θd—Gd參數(shù)。

其中：n=nS+nT。

(3)

(4)

2 網(wǎng)絡(luò)診斷方法步驟

在實(shí)際工程環(huán)境中，設(shè)備所處工作環(huán)境復(fù)雜多變，導(dǎo)致待診斷的振動(dòng)數(shù)據(jù)與用于訓(xùn)練模型的振動(dòng)數(shù)據(jù)分布特性存在較大差異，即測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)屬于不同領(lǐng)域。DANN學(xué)習(xí)具備領(lǐng)域不變性特征的能力，可降低其帶來的影響，因此，筆者將其應(yīng)用于設(shè)備變工況診斷任務(wù)中。

令(W,b)為矩陣向量對(duì)，通過下式對(duì)振動(dòng)數(shù)據(jù)樣本Ds∈Rm實(shí)現(xiàn)維度轉(zhuǎn)換：

Gf(Ds;W,b)=sigm(W·Ds+b)

(5)

通過下式對(duì)Gy:RD→[0,1]L進(jìn)行訓(xùn)練：

Gy(Gf(Ds);V,c)=softmax(VGf(Ds)+c)

(6)

其中：(V,c)∈RL×D×RL；softmax(a)=

此時(shí)對(duì)于Ds來說，損失函數(shù)為：

(7)

對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練便可得到如下式的源域上的最優(yōu)解：

(8)

式中：λ—超參數(shù)加權(quán)值。

此時(shí)Ds和DT的H值差異為：

(9)

令S(Gf)={Gf(x)|x∈S}，且T(Gf)={Gf(x)|x∈T}，則可得到領(lǐng)域差異：

(10)

經(jīng)過以上步驟，即可實(shí)現(xiàn)基于DANN的故障診斷過程。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)數(shù)據(jù)簡(jiǎn)介

實(shí)驗(yàn)數(shù)據(jù)來自美國凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心，振動(dòng)信號(hào)由軸承測(cè)試系統(tǒng)測(cè)得。

筆者所使用的滾動(dòng)軸承測(cè)試系統(tǒng)如圖3所示。

圖3 滾動(dòng)軸承測(cè)試系統(tǒng)

測(cè)試系統(tǒng)由電機(jī)(左)，測(cè)功器(右)以及控制電路組成，軸承型號(hào)為SKF6205。軸承均為單一損傷，由電火花機(jī)分別在軸承內(nèi)圈、滾珠和外圈加工制成，損傷直徑分別為0.177 8 mm, 0.355 6 mm 和 0.533 4 mm，共計(jì)9種故障狀態(tài)。本研究將16通道的加速度傳感器垂直固定在電機(jī)輸出軸支撐軸承上方的殼上進(jìn)行數(shù)據(jù)采集，采樣頻率為12 kHz。

試驗(yàn)準(zhǔn)備了3種不同轉(zhuǎn)速及負(fù)載工況下的數(shù)據(jù)集，實(shí)驗(yàn)數(shù)據(jù)詳情如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集詳情

表1為數(shù)據(jù)集A、數(shù)據(jù)集B、數(shù)據(jù)集C具體損傷直徑和訓(xùn)練測(cè)試數(shù)。

3組數(shù)據(jù)集在實(shí)驗(yàn)工況詳情如表2所示。

表2 實(shí)驗(yàn)工況詳情

3.2 模型設(shè)置及實(shí)驗(yàn)過程

為了更準(zhǔn)確地驗(yàn)證算法的全面性，本次實(shí)驗(yàn)共進(jìn)行6組。第1組和第2組實(shí)驗(yàn)將數(shù)據(jù)集A作為源域訓(xùn)練集，分別將數(shù)據(jù)集B和數(shù)據(jù)集C作為目標(biāo)域測(cè)試集，分別用A→B和A→C表示；第3組和第4組實(shí)驗(yàn)將數(shù)據(jù)集B作為源域訓(xùn)練集，數(shù)據(jù)集A和數(shù)據(jù)集C作為目標(biāo)域測(cè)試集，分別用B→A、B→C表示；第5組和第6組實(shí)驗(yàn)將數(shù)據(jù)集C作為源域訓(xùn)練集，數(shù)據(jù)集A和數(shù)據(jù)集B作為目標(biāo)域測(cè)試集，分別用C→A和C→B表示。

實(shí)驗(yàn)?zāi)Ｐ筒捎脛?dòng)量梯度下降算法進(jìn)行訓(xùn)練，源域數(shù)據(jù)的訓(xùn)練批次大小為192，在領(lǐng)域?qū)闺A段，目標(biāo)領(lǐng)域數(shù)據(jù)的批次大小也取192；學(xué)習(xí)速率lr取0.001。

權(quán)衡參數(shù)λ在模型訓(xùn)練過程中進(jìn)行自適應(yīng)調(diào)整，如下式所示：

(11)

式中：step—當(dāng)前迭代次數(shù)；steps—總迭代次數(shù)。

實(shí)驗(yàn)設(shè)置steps為10 000，當(dāng)模型的損失沒有明顯變化時(shí)就停止訓(xùn)練。

模型的結(jié)構(gòu)參數(shù)如表3所示。

表3 模型參數(shù)設(shè)置

表3中，特征提取器的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)借鑒了文獻(xiàn)[22]中的“第一層寬卷積核”的設(shè)計(jì)方法；故障分類器和領(lǐng)域判別器[23]的全連接層均使用Dropout[24]以及L2正則化[25]進(jìn)行訓(xùn)練防止過擬合；故障分類器Softmax層輸出的結(jié)果為10種故障類別，領(lǐng)域判別器的Softmax層輸出的結(jié)果為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)對(duì)應(yīng)的2種工況類別。

3.3 實(shí)驗(yàn)結(jié)果

基于DANN的軸承故障診斷結(jié)果如表4所示。

表4 提出方法診斷結(jié)果

從表4可以看出：模型在源域和目標(biāo)域上都具有很高的診斷準(zhǔn)確率，表明提出方法受源域訓(xùn)練集和目標(biāo)域測(cè)試集差異變化影響的程度較小。

3.4 與其他方法對(duì)比分析

為了驗(yàn)證提出方法的診斷準(zhǔn)確度，本文在相同實(shí)驗(yàn)數(shù)據(jù)的條件下進(jìn)行了兩種類型的對(duì)比，以驗(yàn)證DANN在軸承故障診斷上具有較高的準(zhǔn)確性。

3.4.1 與其他深度學(xué)習(xí)方法對(duì)比

將本文提出方法與WDCNN方法、DNN方法和MLP方法[26]進(jìn)行實(shí)驗(yàn)對(duì)比驗(yàn)證。

這些方法在單一工況下均取得了較好的診斷結(jié)果。

該實(shí)驗(yàn)測(cè)試得出的變工況診斷準(zhǔn)確率與其他深度學(xué)習(xí)方法對(duì)比如表5所示。

表5 與其他深度學(xué)習(xí)方法對(duì)比

由表5可以看出：使用DNN與MLP在目標(biāo)域的診斷準(zhǔn)確率較不理想，二者學(xué)習(xí)出的特征受數(shù)據(jù)集差異變化影響仍比較大；WDCNN的診斷準(zhǔn)確率較前二者有了一定提升，但在實(shí)驗(yàn)A→C和C→A中，準(zhǔn)確率仍沒有DANN結(jié)果高。

為更清晰地展現(xiàn)提出方法的特征適應(yīng)訓(xùn)練集與測(cè)試集變化的能力，本文使用t-SNE[27]方法對(duì)3組故障分類器的輸出層特征(源域和目標(biāo)域每種類別特征各取100組，共2 000組)進(jìn)行可視化。

實(shí)驗(yàn)A→B、B→A及C→B的故障分類器輸出層特征可視化如圖4所示。

圖4 故障分類器輸出層特征可視化

由圖4可知：未經(jīng)領(lǐng)域?qū)褂?xùn)練的特征聚集性較差，不同故障的特征之間有較多重疊；而通過DANN法學(xué)習(xí)出的特征聚集較集中，同一種故障狀態(tài)的特征僅有極少數(shù)離群點(diǎn)，且不同類別的故障特征之間幾乎沒有交叉重疊現(xiàn)象。

該結(jié)果表明，所提出的方法經(jīng)過領(lǐng)域?qū)褂?xùn)練之后，學(xué)習(xí)出的特征對(duì)領(lǐng)域變化較不敏感，且具備很強(qiáng)的故障識(shí)別能力。

3.4.2 與“傳統(tǒng)信號(hào)處理+機(jī)器學(xué)習(xí)”方法對(duì)比

為與傳統(tǒng)的“傳統(tǒng)信號(hào)處理+機(jī)器學(xué)習(xí)”方法診斷結(jié)果進(jìn)行比較，本文采用對(duì)工況變化不敏感的經(jīng)驗(yàn)特征組作為評(píng)價(jià)指標(biāo)(包括峰值、偏度、歪度、峭度等時(shí)域和頻域特征)，結(jié)合KNN算法進(jìn)行診斷實(shí)驗(yàn)，并進(jìn)行對(duì)比。

DANN方法與“經(jīng)驗(yàn)特征+機(jī)器學(xué)習(xí)”方法對(duì)比結(jié)果如表6所示。

表6 與“經(jīng)驗(yàn)特征+機(jī)器學(xué)習(xí)”方法對(duì)比結(jié)果明細(xì)

對(duì)比方法在6個(gè)實(shí)驗(yàn)中取得了平均85.52%的準(zhǔn)確率，表明該方法所選取的特征在診斷過程中有較高的穩(wěn)定性。

但該方法在特定故障診斷的過程中，每組實(shí)驗(yàn)都會(huì)出現(xiàn)幾組診斷準(zhǔn)確率非常低的情況。反之，本文所提出方法不僅具備較高的平均診斷準(zhǔn)確率，且對(duì)所有類型故障都能保持高診斷準(zhǔn)確率。

傳統(tǒng)信號(hào)處理方法無法保證對(duì)于所有故障特征信號(hào)都具備足夠的識(shí)別能力，而提出方法由于使用領(lǐng)域?qū)菇Y(jié)合分類優(yōu)化訓(xùn)練策略，能夠在保證故障特征對(duì)工況不敏感的情況下最大程度地提升故障識(shí)別能力，具備更強(qiáng)的通用性。

4 結(jié)束語

針對(duì)現(xiàn)階段設(shè)備故障診斷的準(zhǔn)確率受工作條件等變化影響，導(dǎo)致待診斷數(shù)據(jù)與訓(xùn)練數(shù)據(jù)分布特性存在較大差異的問題，本文提出了一種基于領(lǐng)域?qū)咕W(wǎng)絡(luò)的設(shè)備故障診斷方法，采用領(lǐng)域?qū)购头诸悆?yōu)化相結(jié)合的訓(xùn)練策略，在保證故障特征對(duì)工況變化不敏感的前提下，提升故障識(shí)別能力。

通過軸承多種故障診斷實(shí)驗(yàn)結(jié)果及對(duì)比，表明提出方法具備兩點(diǎn)優(yōu)勢(shì)：

(1)相較于其他深度學(xué)習(xí)方法，提出方法由于對(duì)故障特征進(jìn)行了領(lǐng)域?qū)褂?xùn)練，能夠適應(yīng)工況變化，具備更高的診斷準(zhǔn)確率；

(2)相較于“傳統(tǒng)信號(hào)處理+機(jī)器學(xué)習(xí)”方法，提出方法提取的故障特征能夠保證對(duì)所有故障都具備足夠的敏感性，通用性更強(qiáng)；且提出方法不依賴于復(fù)雜的信號(hào)處理技術(shù)與專家經(jīng)驗(yàn)，降低了應(yīng)用難度。