張永宏， 邵 凡， 趙曉平， 王麗華， 呂凱揚， 張中洋

(1.南京信息工程大學(xué) 自動化學(xué)院，南京 210044；2.南京信息工程大學(xué) 計算機與軟件學(xué)院，南京 210044；3.南京信息工程大學(xué) 江蘇省網(wǎng)絡(luò)監(jiān)控中心，南京 210044)

滾動軸承是旋轉(zhuǎn)機械中的重要部件，隨著現(xiàn)代機械儀器、設(shè)備向高速和精密方向發(fā)展，對滾動軸承的可靠性要求愈來愈高。但實際工業(yè)場景中，滾動軸承因載荷大、沖擊強等惡劣工況，極易產(chǎn)生故障。相較于實驗室流程操作所產(chǎn)生的固定故障類型，工業(yè)場景下滾動軸承的故障類型復(fù)雜多樣[1]。利用已有的狀態(tài)監(jiān)控數(shù)據(jù)，如何識別無歷史記錄的故障類型(即未見類故障)、提高未見類故障識別的準(zhǔn)確性成為研究難點，具有顯著的工程應(yīng)用價值和需求。

本文重點關(guān)注在不停機檢查的情況下，依靠現(xiàn)有類型固定的故障數(shù)據(jù)，完成工業(yè)場景中未見類軸承故障的識別。這種故障診斷方式在沒有目標(biāo)故障類型樣本的條件下完成，擺脫了對共享故障類型的依賴，因此零樣本故障診斷更接近工程應(yīng)用場景的實際情況。由于實際應(yīng)用場景的制約，與一般的故障識別相比，零樣本故障識別具有以下特點：①參與測試的目標(biāo)故障(未見類故障)和參與模型訓(xùn)練的故障(可見類故障)在故障類型上沒有交集；②識別結(jié)果具有較好的泛化性，能夠真正擴展到實際工業(yè)場景中；③識別模型適用場景廣泛，且無需反復(fù)進行模型參數(shù)重設(shè)和模型優(yōu)化。

此外，本文還關(guān)注高效的模型設(shè)計，在減少模型參數(shù)的同時保持其性能，即模型輕量化。卷積核分解是一種常用的輕量化方法，如GhostNet[2]使用Ghost模塊替換卷積層，減少了計算成本，Xception[3]、MobileNet[4]和MBDS-CNN[5]均使用深度可分離卷積代替標(biāo)準(zhǔn)卷積以實現(xiàn)輕量化。模型輕量化具有以下優(yōu)勢：①模型對內(nèi)存和處理器性能的要求低；②分布式訓(xùn)練中的數(shù)據(jù)交換少；③適應(yīng)更廣泛的嵌入式、移動端設(shè)備。

當(dāng)前，數(shù)據(jù)驅(qū)動的故障診斷方法已經(jīng)成功運用于機械故障診斷[6]，包括自動編碼器[7-8]、卷積神經(jīng)網(wǎng)絡(luò)[9-10]和深度置信網(wǎng)絡(luò)[11]等。但是，上述方法依賴于大量訓(xùn)練數(shù)據(jù)以優(yōu)化模型，而實際工程場景中的帶標(biāo)簽數(shù)據(jù)難以獲取。近年來，為了克服實際工程場景中故障樣本采集的困難，基于深度遷移學(xué)習(xí)的方法被廣泛應(yīng)用，其基本流程是從易獲取的故障數(shù)據(jù)(源域)中學(xué)習(xí)知識，幫助識別難以采集或采集代價高昂的故障(目標(biāo)域)[12-13]。雷亞國等[14]將殘差網(wǎng)絡(luò)與最大均值差異項、偽標(biāo)記學(xué)習(xí)結(jié)合，提出了一種無需目標(biāo)故障樣本標(biāo)記信息的高精度遷移學(xué)習(xí)方法。Lu等[15]提出域自適應(yīng)模型，完成了變工況下的滾動軸承診斷任務(wù)。此外，還有學(xué)者構(gòu)建了基于生成對抗思想[16-17]和實例[18]的遷移學(xué)習(xí)模型。盡管深度遷移學(xué)習(xí)方法不需要來自目標(biāo)域的帶標(biāo)簽樣本，但其重點解決的是源域和目標(biāo)域的域偏移問題，前提是源域與目標(biāo)域具有標(biāo)簽相同的故障。然而本文考慮的零樣本問題在源域和目標(biāo)域沒有標(biāo)簽上的交集，因此，深度遷移學(xué)習(xí)不符合零樣本的要求。

綜合上述分析，本文引入零樣本學(xué)習(xí)(zero-shot learning, ZSL)方法以解決零樣本條件下未見類故障的識別問題。ZSL方法僅將可見類樣本用作訓(xùn)練數(shù)據(jù)，實現(xiàn)對未見類的分類。Lampert等[19]首次提出ZSL的概念，對毫無關(guān)聯(lián)的訓(xùn)練集和測試集完成了對象檢測，提出了直接屬性預(yù)測(direct attribute prediction, DAP)方法，利用非線性支持向量機來學(xué)習(xí)屬性，再使用訓(xùn)練好的支持向量機預(yù)測未見類樣本的屬性。此外，Lampert等[20]還提出了間接從標(biāo)簽中學(xué)習(xí)屬性的間接屬性預(yù)測(indirect attribute prediction, IAP)方法。為了將可見類中學(xué)習(xí)到的投影函數(shù)更好地推廣到未見類中，Kodirov等[21]提出了語義自編碼器(semantic autoencoder, SAE)，編碼器將全局視覺特征向量投影到語義空間中，通過優(yōu)化解碼器重構(gòu)原始視覺特征給網(wǎng)絡(luò)施加約束，提升了識別精度。在故障診斷領(lǐng)域，GAO等[22]提出了基于壓縮堆疊自編碼器的零樣本學(xué)習(xí)方法，使用已知工況下的數(shù)據(jù)訓(xùn)練模型，成功診斷出未知工作負載下的軸承故障。但該方法未能將故障信號的特征投影到高維屬性空間，本質(zhì)上沒有突破類別邊界，不符合零樣本的要求。FENG等[23]針對零樣本條件下的工業(yè)故障診斷任務(wù)，定義了有別于圖像識別領(lǐng)域的輔助信息即故障屬性(故障的原因、位置、影響等)，其試驗結(jié)果驗證了零樣本條件下故障診斷的可行性，但該方法未考慮各故障屬性之間的相關(guān)性。

針對以上不足，為了實現(xiàn)零樣本條件下未見類軸承故障的診斷，本文提出了MLZSL故障診斷方法。首先，對振動信號做短時傅里葉變換并劃分訓(xùn)練集(可見類)和測試集(未見類)；其次，構(gòu)建輕量化特征提取模型RDSCNN，提取可見類和未見類各樣本的特征；然后將可見類樣本的特征用于訓(xùn)練多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)，再識別未見類樣本的屬性；最后計算屬性向量與各屬性標(biāo)簽的余弦距離，完成對未見類軸承故障的診斷。試驗顯示，MLZSL方法相較于經(jīng)典的零樣本方法(DAP、IAP、SAE)取得了更準(zhǔn)確的診斷結(jié)果。

1 相關(guān)理論介紹

RDSCNN特征提取模型中結(jié)合了殘差學(xué)習(xí)機制和深度可分離卷積層，相關(guān)理論介紹如下。

1.1 殘差學(xué)習(xí)

在深度神經(jīng)網(wǎng)絡(luò)中，理論上網(wǎng)絡(luò)的層數(shù)越深，其輸出的特征表示能力越強。但隨著深度的不斷增加，網(wǎng)絡(luò)會發(fā)生退化，準(zhǔn)確率也隨之下降。He等[24]所提出的殘差卷積神經(jīng)網(wǎng)絡(luò)(residual neural network, ResNet)引入殘差模塊解決了網(wǎng)絡(luò)退化問題，殘差學(xué)習(xí)模塊的結(jié)構(gòu)如圖1所示。

圖1 殘差學(xué)習(xí)模塊結(jié)構(gòu)Fig.1 Structure of residual learning module

殘差模塊在從輸入到輸出的單一映射基礎(chǔ)上添加了來自輸入的跳躍連接[25]，將淺層的輸出加到深層的輸出上，最終輸出如下

H(x)=F(x)+x

(1)

式中：x為上一層的輸出；H(x)為殘差模塊的輸出；F(x)為對x的線性或非線性調(diào)整。若淺層輸出x已經(jīng)提供足夠完備的特征，以致對特征x的任意改變都會增加損失時，F(xiàn)(x)將不做任何學(xué)習(xí)，整個模塊相當(dāng)于恒等映射，由此改變網(wǎng)絡(luò)的前向和后向傳遞方式，對網(wǎng)絡(luò)加深起到優(yōu)化作用。

1.2 深度可分離卷積

深度可分離卷積由深度卷積和逐點卷積兩個過程組成。在深度卷積過程中，每次卷積只在單個通道上進行，輸出與輸入具有相同通道數(shù)量的特征圖；在逐點卷積過程中，對深度卷積過程輸出的特征圖做1×1卷積，重復(fù)該過程n次即可增加輸出通道數(shù)至n層，其具體操作如圖2所示。

圖2 深度可分離卷積結(jié)構(gòu)Fig.2 Structure of depthwise separable convolution

假設(shè)輸入圖片大小為m×m×3，欲輸出通道為n的特征圖，使用傳統(tǒng)卷積需要n個k×k×3的卷積核移動(m-k+1)2次，總體運算次數(shù)如下

3nk2(m-k+1)2

(2)

使用深度可分離卷積進行運算時，在深度卷積過

程中3個k×k×1的卷積核移動(m-k+1)2次；在逐點卷積過程中n個1×1×3的卷積核移動(m-k+1)2次。深度可分離卷積總體運算次數(shù)如下

3(k2+n)(m-k+1)2

(3)

2 MLZSL故障診斷方法

整體而言，本文所提出的MLZSL方法包括特征提取和屬性學(xué)習(xí)兩個階段。其中，特征提取階段的核心任務(wù)是RDSCNN模型的構(gòu)建和使用；屬性學(xué)習(xí)階段通過搭建多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)，直接從樣本特征中學(xué)習(xí)故障屬性并完成未見類樣本的診斷。

2.1 特征提取階段

深度神經(jīng)網(wǎng)絡(luò)能夠提取海量數(shù)據(jù)中的抽象特征，為了充分發(fā)揮深度神經(jīng)網(wǎng)絡(luò)的特征提取能力，同時加速模型收斂和避免網(wǎng)絡(luò)退化問題，本文提出了RDSCNN模型。模型主要由深度可分離卷積層、卷積層、最大池化層、平均池化層、全連接層以及殘差連接組成，如圖3所示。RDSCNN模型以三通道的時頻圖像作為輸入，通過卷積層和深度可分離卷積層不斷優(yōu)化特征，加入殘差連接減少特征損失，設(shè)置卷積層和池化層步長以下采樣方式減小空間維度，最終由全連接層輸出一維特征。模型采用Relu作為非線性激活函數(shù)，加快模型訓(xùn)練速度。 為了防止模型出現(xiàn)梯度消失的問題，對每一層卷積運算的結(jié)果做批量歸一化處理，使其符合標(biāo)準(zhǔn)的正態(tài)分布，消除層與層之間的量級差異。

圖3 特征提取網(wǎng)絡(luò)Fig.3 Feature extraction network

RDSCNN模型在試驗中分為模型訓(xùn)練和特征提取兩個階段。在模型訓(xùn)練階段，首先將模型與Softmax函數(shù)組合，訓(xùn)練集數(shù)據(jù)由正向傳播經(jīng)過模型各層和Softmax函數(shù)運算到達類輸出層，然后將輸出結(jié)果代入交叉熵損失函數(shù)如式(4)所示。

(4)

在特征提取階段，采用已經(jīng)訓(xùn)練好的RDSCNN模型對整個數(shù)據(jù)集進行特征提取，在特征層得到數(shù)據(jù)的低維特征向量表示。

總體而言，RDSCNN模型具有輕量化的網(wǎng)絡(luò)結(jié)構(gòu)，模型結(jié)合了深度可分離卷積、非線性激活函數(shù)Relu和殘差學(xué)習(xí)機制等，使得參數(shù)量大大降低、收斂速度更快、訓(xùn)練時間更短，在保留特征信息的同時降低了數(shù)據(jù)維度，加速了后續(xù)的屬性學(xué)習(xí)過程。

2.2 屬性學(xué)習(xí)階段

本文提出的多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)旨在學(xué)習(xí)樣本特征中的故障屬性，構(gòu)造可見類和未見類故障特征在高維屬性空間的嵌入，最終實現(xiàn)故障的診斷。

本文提供了滾動軸承故障的細粒度屬性描述，其主要基于滾動軸承故障的損傷程度(7 mil、14 mil、21 mil)、工作負載(0、1 hp、2 hp)和損傷位置(滾子B、內(nèi)圈IR、外圈OR)，如表1所示。依據(jù)故障類別yi是否擁有各個細粒度屬性可以得到一個與之對應(yīng)的9維二值屬性矢量Ai。

表1 滾動軸承故障屬性Tab.1 Rolling bearing fault attributes

每個故障特征xi對應(yīng)一個9維的屬性矢量Ai，即一個實例樣本擁有多個標(biāo)簽，因此，本文將屬性矢量的學(xué)習(xí)過程看作一個具有9個標(biāo)簽的多標(biāo)簽分類問題，其多標(biāo)簽屬性空間為29。為了應(yīng)對輸出空間復(fù)雜度的指數(shù)性增長，本文挖掘了標(biāo)簽之間的相關(guān)性，將屬性矢量A依據(jù)屬性描述的類別作互斥屬性切分，得到三個細分屬性矢量a、b、c，與屬性描述對應(yīng)，即原屬性矢量A=concat(a,b,c)，將輸出空間減少為3×23，大大降低了屬性學(xué)習(xí)難度。

多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)有監(jiān)督地為每個細分屬性矢量構(gòu)造一個屬性學(xué)習(xí)器，分別記為F1，F(xiàn)2和F3。在測試階段，使用這些屬性學(xué)習(xí)器對每一個未見類樣本預(yù)測細分屬性矢量。三個屬性學(xué)習(xí)器的映射關(guān)系如圖4所示。

圖4 屬性學(xué)習(xí)器映射關(guān)系Fig.4 Mapping of attribute learners

以屬性學(xué)習(xí)器F1為例，從故障特征xi到細分屬性矢量ai的推理過程可表示為f:xi→ai，本文通過搭建全連接神經(jīng)網(wǎng)絡(luò)實現(xiàn)該推理過程，網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 屬性學(xué)習(xí)器F1網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Architecture of attribute learner F1

(5)

(6)

對得到的細分屬性矢量完成拼接，計算其與各故障屬性標(biāo)簽的余弦距離如式(7)所示，最終取距離最近的故障標(biāo)簽作為其預(yù)測標(biāo)簽yu。

(7)

整體上，多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)由三個屬性學(xué)習(xí)器F1、F2和F3組成，各屬性學(xué)習(xí)器分別學(xué)習(xí)一組細分屬性矢量，組合得到樣本的預(yù)測屬性標(biāo)簽，最終推導(dǎo)得出樣本的故障類別。

2.3 MLZSL故障診斷流程

基于MLZSL方法的故障診斷流程如圖6所示，主要包含故障信號預(yù)處理、特征提取和屬性學(xué)習(xí)三個階段，各階段的具體步驟如下。

圖6 MLZSL故障診斷流程Fig.6 MLZSL fault diagnosis process

故障信號預(yù)處理階段：對采集得到的故障信號數(shù)據(jù)做預(yù)處理。首先將每一類的信號序列數(shù)據(jù)切分成一定數(shù)量的樣本；然后對所有信號樣本做短時傅里葉變換，得到維數(shù)為64×64×3的時頻圖數(shù)據(jù)集；最后按照數(shù)據(jù)的類別標(biāo)簽將其劃分為訓(xùn)練集(可見類)和測試集(未見類)。

特征提取階段：構(gòu)建RDSCNN模型對所有樣本完成特征提取。首先組合RDSCNN模型和Softmax層，將訓(xùn)練集作為輸入調(diào)整模型參數(shù)；然后保存訓(xùn)練好的RDSCNN模型的各層參數(shù)；最后加載保存的參數(shù)，借助模型降低輸入時頻圖數(shù)據(jù)的維度，得到可見類和未見類的故障特征向量。

屬性學(xué)習(xí)階段：使用屬性學(xué)習(xí)網(wǎng)絡(luò)預(yù)測樣本屬性并推導(dǎo)其標(biāo)簽。首先，以可見類樣本特征作為輸入，訓(xùn)練屬性學(xué)習(xí)網(wǎng)絡(luò)中的各屬性學(xué)習(xí)器；然后使用屬性學(xué)習(xí)器預(yù)測未見類樣本的細分屬性矢量，拼接得到完整屬性向量；最終計算其與各故障屬性標(biāo)簽的余弦距離，完成未見類故障樣本的診斷。

3 試驗與結(jié)果分析

3.1 試驗數(shù)據(jù)

試驗數(shù)據(jù)采用的是凱斯西儲大學(xué)提供的軸承故障數(shù)據(jù)集[26]，試驗臺由電動機、扭矩傳感器、測力計和控制電子設(shè)備組成。本文從采樣頻率為12 kHz的驅(qū)動端數(shù)據(jù)中，依據(jù)不同的工作負載、損傷位置和損傷程度選取了共30類數(shù)據(jù)進行試驗。其中包括健康數(shù)據(jù)3類，故障數(shù)據(jù)27類，所選取數(shù)據(jù)的類別組成如表2所示。

表2 試驗數(shù)據(jù)種類Tab.2 Kinds of test data

滾動軸承故障信號的三種損傷位置分別為內(nèi)圈(IR)、滾子(B)和外圈(OR)，三種工作負載分別為0(1 hp=746 W)、1 hp和2 hp，三種損傷程度分別為7 mil(1 mil=0.025 4 mm)、14 mil和21 mil。表2中滾動軸承故障的具體類別，例如‘IR007_0’中‘IR’代表該故障的故障位置是內(nèi)圈，‘007’表示該類故障的損傷程度為7 mil，‘_0’表示其工作負載為0。表中各類別試驗數(shù)據(jù)的采樣頻率為12 kHz，每一類數(shù)據(jù)取連續(xù)102 912點，窗口滑動截取1 024個點作為樣本，窗重疊50%，每一類數(shù)據(jù)得到200個樣本，最終共獲取6 000個樣本。

試驗前對原始數(shù)據(jù)進行短時傅里葉變換，以獲得數(shù)據(jù)中隨時間變化的頻譜信息，使用Hanmming窗作為窗函數(shù)并預(yù)設(shè)了窗函數(shù)長度為120，窗重疊度為50%，最終獲得30類數(shù)據(jù)的共6 000張時頻圖樣本。

依據(jù)零樣本的原則對數(shù)據(jù)集進行劃分，在27類故障數(shù)據(jù)中隨機選取6類故障樣本作為測試集(未見類)，剩余數(shù)據(jù)類別組成訓(xùn)練集(可見類)?？偣策M行四次隨機選取，在四種數(shù)據(jù)集劃分方式下得到數(shù)據(jù)集A、B、C、D，表3展示了各數(shù)據(jù)集下的測試類別。在每一種數(shù)據(jù)劃分方式下，數(shù)據(jù)集中的訓(xùn)練樣本數(shù)為4 800，測試樣本數(shù)為1 200。

表3 試驗數(shù)據(jù)集Tab.3 The test data sets

3.2 試驗過程與結(jié)果分析

試驗首先由RDSCNN模型從時頻圖樣本中提取易于學(xué)習(xí)屬性的特征向量，再將特征向量輸入到多標(biāo)簽屬性學(xué)習(xí)器，識別故障的屬性，最后計算與標(biāo)簽屬性之間的余弦距離得到故障類別。

(1) 特征提取試驗與結(jié)果分析

根據(jù)第2.1節(jié)所述的RDSCNN模型結(jié)構(gòu)搭建網(wǎng)絡(luò)，通過反復(fù)試驗最終確定RDSCNN模型的相關(guān)超參數(shù)如表4所示。按照輸出特征圖的大小，表4將整個網(wǎng)絡(luò)劃分為五個模塊，模塊一輸入大小為64×64×3的時頻圖樣本，從模塊一至模塊四，依次減小特征圖大小，最終輸出大小為1×128的特征向量。

表4 RDSCNN模型超參數(shù)設(shè)置Tab.4 Hyper-parameters of RDSCNN

RDSCNN模型在特征提取階段為使用較大感受野，模塊一中殘差連接卷積核設(shè)置為3×3。為了保留局部細節(jié)，模塊二和模塊三中跳躍連接卷積核設(shè)置為1×1，模塊四中最后池化層為降低輸出維數(shù)將池化窗口設(shè)置為8×8，其余模塊主干網(wǎng)絡(luò)中卷積核和池化窗口均設(shè)置為3×3。整個網(wǎng)絡(luò)的卷積核數(shù)量遞增以充分映射特征，各卷積層中卷積核的數(shù)目與輸出的第三個維度一致，在降低特征圖大小的同時增加特征深度。

RDSCNN模型在訓(xùn)練階段使用交叉熵損失函數(shù)，并采用指數(shù)衰減法自動調(diào)整學(xué)習(xí)率，設(shè)置初始學(xué)習(xí)率為0.02，衰減步長為40，衰減率為0.97，設(shè)置單批次樣本數(shù)為100個。

為了驗證RDSCNN模型相比當(dāng)前主流的特征提取模型在特征提取效率和性能上的優(yōu)越性，本文將其與ResNet50、VGG16和CNN(由5層卷積層和3層全連接層組成)模型進行對比。表5顯示了RDSCNN、ResNet50、VGG16和CNN四種不同模型的總參數(shù)量、收斂穩(wěn)定所需要epoch(所有訓(xùn)練樣本在模型中完成了一次正向傳遞和一次反向傳遞)的數(shù)目和訓(xùn)練200個epoch所用的時長。各模型在訓(xùn)練過程中準(zhǔn)確率和損失的變化情況如圖7所示，為提高對比效果，僅截取前200個epoch進行展示。

表5 特征提取模型訓(xùn)練情況對比Tab.5 Comparison of feature extraction models

(a) RDSCNN模型

(b) ResNet50模型

(c) VGG16模型

(d) CNN模型圖7 不同特征提取模型的準(zhǔn)確率和損失變化情況Fig.7 Accuracy and loss of different feature extraction models

通過表5可以知道，RDSCNN模型的參數(shù)量僅為924 064，CNN模型的參數(shù)量為其十倍左右，而ResNet50和VGG16模型的參數(shù)量均在其十倍以上；其次，RDSCNN模型訓(xùn)練200個epoch所用的時間僅為223.2 s，較其他三種模型更短；此外，RDSCNN模型在訓(xùn)練125epoch時已經(jīng)收斂穩(wěn)定，ResNet50模型在訓(xùn)練150epoch時收斂穩(wěn)定，如圖7中虛線處所示，而VGG16和CNN模型在訓(xùn)練200epoch時仍未穩(wěn)定收斂。除此之外，從圖7中還可以看出，借助卷積網(wǎng)絡(luò)在自適應(yīng)特征學(xué)習(xí)上的優(yōu)勢，各模型的訓(xùn)練準(zhǔn)確率都很高，但是在VGG16和CNN模型的訓(xùn)練過程中存在一定的過擬合，其驗證集的準(zhǔn)確率均低于訓(xùn)練集的準(zhǔn)確率。綜上所述，相較于其他三種特征提取模型，RDSCNN模型在模型參數(shù)量、收斂速度和訓(xùn)練效果等方面具有明顯優(yōu)勢。

為進一步驗證RDSCNN模型的特征提取能力，采用t-SNE降維算法將原始輸入和所提取特征按相似度投影到2維空間中進行分析。在RDSCNN、ResNet50、VGG16和CNN四種特征提取模型中，VGG16和CNN模型的訓(xùn)練效果較差，ResNet50模型的訓(xùn)練效果更接近RDSCNN模型，因此選擇ResNet50模型與RDSCNN模型進行特征降維對比。以數(shù)據(jù)集C為例，將測試集樣本作為RDSCNN模型和ResNet50模型的輸入，學(xué)習(xí)得到樣本的特征。對原始輸入和兩個模型輸出的樣本特征分別進行t-SNE降維可視化，可視化結(jié)果如圖8所示。

(a) 原始樣本輸入

(b) RDSCNN模型輸出

(c) ResNet50模型輸出圖8 原始輸入和不同模型的輸出特征可視化Fig.8 Visualization of original input and different models’ output characteristics

圖8(a)為原始輸入的可視化結(jié)果，可以看出原始輸入包含很多冗余信息，難以區(qū)分各類樣本。圖8(b)為RDSCNN模型輸出特征的可視化結(jié)果，經(jīng)過RDSCNN模型提取特征后，6類故障樣本之間界限清晰，完全被區(qū)分開，且不同標(biāo)簽的樣本在2維空間中分布很集中，沒有錯分的異類樣本。圖8(c)為ResNet50模型輸出特征的可視化結(jié)果，圖中各類樣本之間有一定的區(qū)分性，但界限不清晰，紅色虛線圈中部分還存在錯分現(xiàn)象。對比圖8(b)和圖8(c)可知，RDSCNN模型所提取的特征在相同標(biāo)簽下聚合得更集中，可分性更好。

為驗證所提取特征的有效性，本文對所提取的特征進行了分類效果的對比。表6展示了基于同一數(shù)據(jù)集，使用RDSCNN、MLDAM[27]、CNN-RF[28]、1DRCAE方法進行分類試驗的精度。可以看出，RDSCNN模型的分類準(zhǔn)確率為99.93%，優(yōu)于其他方法。

表6 各先進識別器的分類精度Tab.6 Classification accuracy of advanced recognizers %

總體而言，RDSCNN模型在參數(shù)量最少的情況下，模型的訓(xùn)練速度更快，具有更好的特征提取能力。

(2) 多標(biāo)簽屬性學(xué)習(xí)試驗與結(jié)果分析

試驗按照2.2節(jié)中的屬性設(shè)置原則，為每種滾動軸承故障定義了9維的屬性矢量Ai∈R9，以提供故障特征在屬性空間映射的對象。該屬性矢量由滾動軸承故障的細粒度屬性描述推理得到，屬性描述基于滾動軸承故障的損傷程度、工作負載和損傷位置?；趯傩灾g的相關(guān)性對互斥屬性進行切分，得到三個細分屬性矢量a、b、c，三個細分屬性矢量均屬于實向量空間R3。試驗采用熱獨編碼的方式對與故障標(biāo)簽yi對應(yīng)的細分屬性矢量ai、bi、ci進行編碼，編碼維度為3，得到向量映射onehot(ai)、onehot(bi)、onehot(ci)，則與故障標(biāo)簽yi對應(yīng)的屬性矢量編碼為Ai=concat(onehot(ai,bi,ci))，例如B007_1的損傷程度為7 mil、工作負載為1 hp、損傷位置為滾子，其屬性矢量編碼為‘100 010 100’。依據(jù)此原則，試驗為所有滾動軸承健康狀況定義了對應(yīng)的屬性矢量。

本試驗的屬性學(xué)習(xí)網(wǎng)絡(luò)由三個結(jié)構(gòu)參數(shù)相同的屬性學(xué)習(xí)器構(gòu)成，其超參數(shù)設(shè)置如表7所示。屬性學(xué)習(xí)網(wǎng)絡(luò)將特征提取網(wǎng)絡(luò)輸出的特征映射到屬性空間，單個屬性學(xué)習(xí)器由三層全連接層組成，前兩層使用Relu作為激活函數(shù)，提高收斂效率，最后一層使用Softmax輸出分類結(jié)果，選取Adam作為優(yōu)化器，學(xué)習(xí)率設(shè)置為1×10-4。為防止屬性學(xué)習(xí)器過擬合，在前兩層中引入dropout，并分別設(shè)置keep_prob分別為0.5和0.7。

表7 屬性學(xué)習(xí)器超參數(shù)設(shè)置Tab.7 Hyper-parameters of attribute learner

在表3中的四種數(shù)據(jù)集下，使用屬性學(xué)習(xí)網(wǎng)絡(luò)識別訓(xùn)練集(可見類)和測試集(未見類)的各個屬性，試驗結(jié)果中各屬性的平均識別準(zhǔn)確率如圖9所示。

圖9 不同數(shù)據(jù)集劃分方式下的屬性識別準(zhǔn)確率Fig.9 Attribute recognition accuracy under different data set partition methods

橫向?qū)Ρ葓D9中多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)對四種數(shù)據(jù)集的識別準(zhǔn)確率，可知各類識別精度受數(shù)據(jù)集劃分方式的影響不大，平均準(zhǔn)確率波動在±4%左右，具有較強的泛化性。多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)對各屬性的識別精度均高于33.3%的隨機水平，以數(shù)據(jù)集A為例，多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)對測試集在損傷位置、工作負載和損傷程度上的屬性識別準(zhǔn)確率分別為79.5%、46.2%和64%，對訓(xùn)練集的識別準(zhǔn)確率分別為97.5%、97.1%和96.8%，如圖9中折線所示。因為試驗遵循零樣本設(shè)置，所有的測試集樣本均未參與訓(xùn)練，且參與訓(xùn)練的測試集與訓(xùn)練集樣本沒有標(biāo)簽上的交集，因此測試集和訓(xùn)練集的識別準(zhǔn)確率無法進行比較。試驗結(jié)果證明所提出的屬性學(xué)習(xí)網(wǎng)絡(luò)可以有效學(xué)習(xí)故障屬性。

由多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)得到測試集樣本對應(yīng)的屬性矢量后，通過計算各樣本屬性矢量與各類故障屬性編碼之間的余弦距離，最終確定故障類別。在四種數(shù)據(jù)集下，對比MLZSL方法與其他零樣本學(xué)習(xí)方法的識別準(zhǔn)確率，如表8所示。

表8 軸承狀態(tài)的識別準(zhǔn)確率Tab.8 Identification accuracy of bearing states

IAP方法將屬性層置于訓(xùn)練集標(biāo)簽層與測試集標(biāo)簽層之間，通過遷移訓(xùn)練集樣本的標(biāo)簽與屬性信息來預(yù)測測試集樣本的標(biāo)簽，識別效果較差，平均識別準(zhǔn)確率最低，僅為47.7%。DAP方法引入了中間層，從訓(xùn)練集樣本中學(xué)習(xí)屬性分類器，直接預(yù)測測試集樣本的屬性，但DAP沒有學(xué)習(xí)到屬性之間的關(guān)系，其平均識別準(zhǔn)確率為53.6%，略高于IAP方法。SAE方法使用了自編碼器的結(jié)構(gòu)，要求特征輸入映射到屬性層后，能夠重新映射回原來的特征，通過這一結(jié)構(gòu)盡可能保留特征信息，擁有較高的準(zhǔn)確率，平均識別準(zhǔn)確率為61.7%。MLZSL方法通過有監(jiān)督的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與屬性相關(guān)的特征，多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)從特征中預(yù)測測試集樣本的屬性，同時考慮了屬性之間的關(guān)系，其平均診斷準(zhǔn)確率為80.3%，高于其他三種方法，如表8所示。

為了更清晰地展示MLZSL方法對測試集故障的識別效果，將其與準(zhǔn)確率較高的SAE方法進行對比，以數(shù)據(jù)集C為例，繪制了兩種方法屬性識別結(jié)果的混淆矩陣，如圖10所示。

(a) SAE方法

(b) MLZSL方法圖10 MLZSL方法和SAE方法的屬性預(yù)測混淆矩陣Fig.10 Attribute prediction confusion matrix of MLZSL and SAE

圖10(a)和圖10(b)中，從左至右依次是損傷程度、工作負載和損傷位置的屬性識別混淆矩陣，橫坐標(biāo)表示屬性的預(yù)測類別，縱坐標(biāo)表示屬性的真實類別。對比SAE方法和MLZSL方法對損傷程度、工作負載和損傷位置的屬性識別混淆矩陣可知：(1)對于故障樣本的損傷程度，用SAE方法識別屬性時，三種損傷程度屬性均有大量樣本被錯分，例如圖10(a)中，損傷程度為7 mil的故障樣本僅有202個被準(zhǔn)確識別；而采用MLZSL方法后，對損傷程度的預(yù)測準(zhǔn)確率大大提升，例如在圖10(b)中，損傷程度為7 mil的樣本有296個被準(zhǔn)確識別，比SAE方法增加了94個。(2)使用SAE方法識別故障樣本的工作負載屬性時，三種工作負載的預(yù)測情況很差，例如圖10(a)中，工作負載1 hp和2 hp分別只有184和168個樣本被準(zhǔn)確識別；采用MLZSL方法后，工作負載預(yù)測準(zhǔn)確率得到很大改善，例如圖10(b)中，工作負載1 hp和2 hp中被正確識別的樣本數(shù)分別增加了51和78個。(3)在預(yù)測樣本的損傷位置屬性時，SAE方法僅對損傷位置B的預(yù)測結(jié)果較好，其余屬性均存在不同程度的錯分，例如圖10(a)中，損傷位置IR有172個樣本被錯分為OR；而使用MLZSL方法識別損傷位置IR時，如圖10(b)所示，總共僅有77個樣本被錯分，其余屬性被準(zhǔn)確識別的樣本也顯著增多。綜上可知，MLZSL方法在各個屬性上的誤判數(shù)目均低于SAE方法，對各屬性的識別能力更優(yōu)秀，且具有較高的診斷準(zhǔn)確率。

綜合上述試驗驗證，MLZSL方法在零樣本條件下，能夠更準(zhǔn)確的學(xué)習(xí)屬性并預(yù)測故障類別，且具有較好的泛化性。

4 結(jié) 論

本文提出的MLZSL方法由RDSCNN特征提取模型和多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)組成。MLZSL方法實現(xiàn)了故障特征空間到故障屬性空間的映射，將可見類的故障屬性遷移到未見類，有效地診斷了未見類故障，試驗結(jié)果表明：

(1) 與常用的特征提取模型相比，RDSCNN模型參數(shù)量少、收斂速度快、訓(xùn)練耗時短。該模型提取的特征具有更好的可分性，從所提取的特征中能夠更有效的學(xué)習(xí)與屬性相關(guān)的信息。

(2) 多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)可以同時映射多個互斥屬性，降低了模型復(fù)雜度，同時提升了診斷的準(zhǔn)確率，在不同的測試數(shù)據(jù)集中都能夠診斷未見類樣本，泛化性較好。

(3) 所提出的MLZSL故障診斷方法為每一類故障提供了由屬性組成的故障輔助標(biāo)簽，這一屬性層介于故障特征層和故障類別層之間。所定義的屬性跨越了故障類別界限，不同類別的故障可以共享這些屬性。

MLZSL故障診斷方法能夠在零樣本條件下識別未見類故障，適用范圍更廣，其輕量化的模型結(jié)構(gòu)使其診斷結(jié)果具有很高的時效性，為零樣本條件下的軸承故障診斷提供了解決方法。