楊青,劉彥俏,吳東升,崔寶才

(沈陽(yáng)理工大學(xué) 自動(dòng)化與電氣工程學(xué)院,沈陽(yáng) 110159)

電機(jī)軸承通常在變工況下運(yùn)行,而且故障數(shù)據(jù)少且樣本不平衡,電機(jī)軸承故障診斷精度與泛化能力低。傳統(tǒng)軸承故障診斷方法常用數(shù)據(jù)過(guò)采樣、欠采樣與混合采樣等解決故障數(shù)據(jù)不平衡問(wèn)題:文獻(xiàn)[1]提出了一種基于生成對(duì)抗網(wǎng)絡(luò)不平衡故障診斷方法;文獻(xiàn)[2]提出了線性判別分析的欠采樣程序并使用灰狼優(yōu)化算法進(jìn)行閾值調(diào)整;文獻(xiàn)[3]提出了將混合采樣法與支持向量機(jī)相結(jié)合的故障診斷方法。然而,過(guò)采樣由于過(guò)多重復(fù)正例會(huì)造成過(guò)擬合,欠采樣則會(huì)忽略一些反例數(shù)據(jù),使用采樣方法有過(guò)擬合風(fēng)險(xiǎn)且生成樣本單一。文獻(xiàn)[4]提出了矢量量化變分自編碼(Vector Quantised Variational Auto Encoder,VQ-VAE)生成模型,其生成樣本具有多樣性且質(zhì)量好,更適用于解決軸承故障診斷中故障數(shù)據(jù)與正常數(shù)據(jù)不平衡問(wèn)題。

針對(duì)實(shí)際工作中電機(jī)軸承變工況導(dǎo)致故障診斷精度低的問(wèn)題,文獻(xiàn)[5]提出了一種子領(lǐng)域自適應(yīng)的遷移學(xué)習(xí)故障診斷方法;文獻(xiàn)[6]提出基于自適應(yīng)噪聲模態(tài)分解和正余弦算法優(yōu)化多核相關(guān)向量機(jī)的軸承故障診斷方法:這幾種方法都通過(guò)自適應(yīng)遷移學(xué)習(xí)解決了變工況軸承振動(dòng)數(shù)據(jù)特征分布不一致問(wèn)題。另一種思路是進(jìn)行多特征融合:文獻(xiàn)[7]將卷積神經(jīng)網(wǎng)絡(luò)(CNN)和門控循環(huán)單元(GRU)時(shí)序處理能力的優(yōu)勢(shì)結(jié)合,提出了一種雙通道特征融合CNN-GRU齒輪箱故障診斷方法;文獻(xiàn)[8]提出了一種由卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的變分概率自動(dòng)編碼器框架,在通過(guò)編碼器前對(duì)數(shù)據(jù)進(jìn)行融合,然后提取融合特征,融合后的信息包含著空間和頻譜信息;文獻(xiàn)[9]提出了稀疏濾波網(wǎng)絡(luò)的電流信號(hào)無(wú)監(jiān)督特征學(xué)習(xí)與融合方法,解決了電流信號(hào)特征提取難的問(wèn)題。

注意力機(jī)制來(lái)源于人類視覺(jué)的研究。文獻(xiàn)[10]提出了基于注意力機(jī)制的動(dòng)態(tài)加權(quán)融合AdaBoost分類器。文獻(xiàn)[11]提出了基于注意力機(jī)制的多層雙向GRU的神經(jīng)網(wǎng)絡(luò)軸承故障診斷模型。文獻(xiàn)[12]提出了基于特征注意機(jī)制的改進(jìn)多尺度卷積軸承故障診斷模型:注意力機(jī)制可以有效提取關(guān)鍵特征信息,提高故障診斷精度。

綜上分析可知,基于遷移自適應(yīng)和特征融合的變工況軸承故障診斷方法仍存在不足:遷移后的模型對(duì)目標(biāo)域以外數(shù)據(jù)的診斷泛化能力不夠,而且耗時(shí)適中,不適合實(shí)時(shí)性強(qiáng)的故障診斷任務(wù);不同工況之間存在分布差異,無(wú)法確定符合融合的條件?；谏鲜鲂枨?本文構(gòu)建一種新的變工況特征融合軸承故障診斷方法,即通過(guò)VQ-VAE對(duì)故障數(shù)據(jù)樣本進(jìn)行增強(qiáng)使數(shù)據(jù)平衡,并將自注意力機(jī)制(Self-Attention Mechanism,SAM)與深度殘差變分自編碼器 (Deep Resnet-Variational Automatic Encoder,DR-VAE)結(jié)合以提取關(guān)鍵特征信息,最后通過(guò)DR-VAE-SAM網(wǎng)絡(luò)提取的故障特征融合形成全局特征,進(jìn)行故障診斷。

1 理論基礎(chǔ)

1.1 VAE

變分自編碼(VAE)[13]是一種包含隱變量的生成模型,類似傳統(tǒng)自編碼器的編碼解碼過(guò)程,其結(jié)構(gòu)如圖1所示。給定輸入數(shù)據(jù)xi,編碼器計(jì)算隱含特征向量zi,解碼器根據(jù)zi重構(gòu)xi′,其中μi和σi從編碼器網(wǎng)絡(luò)獲得。

圖1 VAE結(jié)構(gòu)圖

VAE模型的核心之一是通過(guò)最大化變分下界共同訓(xùn)練近似后驗(yàn)?zāi)Ｐ秃蜕赡Ｐ?。變分下界的表達(dá)式為

E(q)=Ez[logp(x′|z)]-

DKL[q(z|x)‖p(z)]。

(1)

1)最大化Ez[logp(x′︳z)]?；叶葓D取高斯分布,對(duì)數(shù)似然為平方差。通過(guò)最小化輸入數(shù)據(jù)的重構(gòu)損失學(xué)習(xí)編碼器和解碼器的參數(shù),重構(gòu)損失的表達(dá)式為

(2)

2)最小化DKL[q(z︳x)‖p(z)]。使后驗(yàn)分布近似值q(z︳x)接近先驗(yàn)分布p(z),當(dāng)q(z︳x)p(z)都是高斯分布時(shí)可得

DKL(q(z︳x)‖p(z))=

(3)

式中:zi為單變量高斯分布,由輸入數(shù)據(jù)xi的采樣以及參數(shù)μi和σi生成。

綜上所述,VAE損失函數(shù)包括KL散度和重構(gòu)損耗,可表示為

(4)

1.2 VQ-VAE

VQ-VAE[4]相對(duì)于VAE多了一步潛在變量離散化,如圖2所示。模型輸入x,則通過(guò)編碼器輸出ze(x),為簡(jiǎn)單起見(jiàn),將分布q(z︳x)概率定義為one-hot,即

圖2 VQ-VAE原理圖

(5)

將logp(x)與E(q)綁定,此時(shí)q(z=k︳x)是確定的。通過(guò)在z上定義簡(jiǎn)單的均勻先驗(yàn),獲得KL散度常數(shù)并等于logk。其總訓(xùn)練目標(biāo)為

(6)

式中:sg為正向計(jì)算時(shí)被定義為標(biāo)識(shí)的停止梯度運(yùn)算符,具有零偏導(dǎo)數(shù)。

1.3 DR-VAE

DR-VAE是將深度殘差神經(jīng)網(wǎng)絡(luò)[14]與VAE結(jié)合,利用深度殘差編碼器提取特征,再由深度殘差解碼器根據(jù)內(nèi)在分布生成準(zhǔn)確的數(shù)據(jù)。深度殘差網(wǎng)絡(luò)與VAE結(jié)合可以提高模型學(xué)習(xí)性能,避免傳統(tǒng)多層神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)的梯度消失現(xiàn)象。

在DR-VAE中,深度殘差模塊由卷積層和直接映射2個(gè)部分組成,如圖3所示,殘差塊的表達(dá)式為

圖3 深度殘差模塊

F(x)=W2σ(W1x),

(7)

y=F(x,{Wi})+x,

(8)

式中:x為殘差塊的輸入;σ為非線性激活函數(shù)ReLU;W為神經(jīng)網(wǎng)絡(luò)的權(quán)重。通過(guò)直接映射和第2個(gè)ReLU激活函數(shù)獲得殘差塊的期望輸出y。

DR-VAE可以提取輸入數(shù)據(jù)的隱藏特征,將特征信息融合重構(gòu)后輸入故障分類器進(jìn)行故障分類。然而,其局限性在于編碼器必須將整個(gè)信息序列壓縮成一個(gè)固定長(zhǎng)度的向量,造成部分微小故障特征不明顯,影響模型測(cè)試精度。因此本文在編解碼過(guò)程中引入自注意力機(jī)制,通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)隱藏特征的注意力權(quán)重,并根據(jù)其重要性分配權(quán)重(故障相關(guān)性高的特征分配高的注意力權(quán)重);最后將隱變量及其相應(yīng)的注意力權(quán)重的加權(quán)和輸入解碼器得到更準(zhǔn)確的特征,從而在不增加模型參數(shù)的情況下提高模型的表達(dá)能力,進(jìn)而提高模型測(cè)試精度。

1.4 自注意力機(jī)制

自注意機(jī)制是注意力機(jī)制[15]的一種變體,如圖4所示。本質(zhì)是為輸入序列中的每個(gè)元素各自分配一個(gè)權(quán)重系數(shù)w,每個(gè)元素都以(q,k,v)的形式存儲(chǔ),通過(guò)計(jì)算學(xué)習(xí)(q,k)的相似度完成尋址。

圖4 自注意力機(jī)制結(jié)構(gòu)圖

相似度反映了所提取v值的重要程度,即注意力權(quán)重αi,可表示為

αi=sigmoid(kiqi),

(9)

注意力權(quán)重可用于構(gòu)建內(nèi)容向量c,內(nèi)容向量cj是隱藏的特征狀態(tài)ai及其相應(yīng)注意權(quán)重的加權(quán)和,即

(10)

每個(gè)輸出cj不僅依賴ai,還有其他輸入的隱藏特征狀態(tài),從而找到應(yīng)該更加關(guān)注的輸入。

1.5 遷移特征融合

引入遷移學(xué)習(xí)中的最大均值差異(Maximum Mean Discrepancy,MMD)距離作為衡量各工況之間分布差異的指標(biāo),進(jìn)而判斷各工況數(shù)據(jù)特征融合的難度,從中選取2個(gè)MMD距離最小的工況進(jìn)行數(shù)據(jù)特征融合并輸入訓(xùn)練網(wǎng)絡(luò)訓(xùn)練,以提高模型特征融合的穩(wěn)定性。

MMD距離可表示為

(11)

式中:k(*)為將原變量映射到高維空間中的映射函數(shù);X,Y分別為2個(gè)工況的數(shù)據(jù)樣本集;x,y分別為2個(gè)工況的樣本矩陣;F為映射函數(shù)集;m,n分別為2個(gè)數(shù)據(jù)集的大小。

2 DR-VAE-SAM網(wǎng)絡(luò)模型

本文提出的DR-VAE-SAM集合型不平衡變工況軸承故障診斷模型的結(jié)構(gòu)如圖5所示:首先,通過(guò)VQ-VAE對(duì)故障數(shù)據(jù)樣本進(jìn)行增強(qiáng),提高訓(xùn)練模型的診斷精度,解決故障數(shù)據(jù)少和樣本不平衡問(wèn)題;然后,將深度殘差網(wǎng)絡(luò)與變分自編碼結(jié)合提取故障特征,并使用MMD作為融合標(biāo)準(zhǔn)以提高特征融合的穩(wěn)定性;最后,引入自注意力機(jī)制層提取融合特征的關(guān)鍵信息并輸出分類結(jié)果。

圖5 DR-VAE-SAM結(jié)構(gòu)圖

2.1 數(shù)據(jù)預(yù)處理

(12)

本文將原始一維振動(dòng)信號(hào)轉(zhuǎn)化為二維灰度圖像,然后通過(guò)VQ-VAE模型進(jìn)行故障數(shù)據(jù)擴(kuò)充。

2.2 DR-VAE-SAM軸承故障診斷模型

通過(guò)DR-VAE模型提取輸入數(shù)據(jù)xi的隱藏特征zi,再將2種工況的隱藏特征進(jìn)行融合,得到全局隱藏特征。如圖6所示,本文在編解碼過(guò)程中引入自注意力機(jī)制,使模型可以通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)注意力權(quán)重αi;因此,DR-VAE-SAM模型能夠很好地區(qū)分不同隱變量的重要性,通過(guò)對(duì)注意力權(quán)重加權(quán)突出更多與故障診斷相關(guān)的部分。

圖6 模型原理圖

第i個(gè)隱藏特征狀態(tài)zi獲得的注意力權(quán)重為

(13)

在每個(gè)解碼器位置j,根據(jù)編碼器所有隱藏特征狀態(tài)zi及其相應(yīng)注意權(quán)重的加權(quán)和得到狀態(tài)向量cj,即

(14)

cj不僅依賴zi,還有其他輸入的隱藏特征狀態(tài),從而找到應(yīng)該更加關(guān)注的隱藏特征狀態(tài)。

DR-VAE-SAM模型的損失函數(shù)包括殘差網(wǎng)絡(luò)中均方損失函數(shù)L1與VAE損失函數(shù)LVAE,分別為

L1=(x1-yi)2+(x2-yi)2,

(15)

(16)

式中:μi,σi為從編碼器網(wǎng)絡(luò)獲得的均值方差參數(shù);x1,x2分別為參與融合的工況1和工況2數(shù)據(jù)。

2.3 基于DR-VAE-SAM的軸承故障診斷流程

DR-VAE-SAM軸承故障診斷模型可分為數(shù)據(jù)預(yù)處理、數(shù)據(jù)集平衡、離線階段、在線階段4個(gè)部分,其具體流程如圖7所示:

圖7 診斷流程圖

1)將采集的數(shù)據(jù)轉(zhuǎn)化為灰度圖,通過(guò)VQ-VAE處理不平衡的數(shù)據(jù)并計(jì)算各數(shù)據(jù)集之間的MMD距離,選擇MMD距離最小的數(shù)據(jù)集。

2)在歷史數(shù)據(jù)離線建模階段,通過(guò)深度殘差編碼器對(duì)輸入數(shù)據(jù)進(jìn)行特征提取。

3)將需要融合的數(shù)據(jù)特征進(jìn)行融合。

4)引入自注意機(jī)制層,根據(jù)融合后的特征信息對(duì)特征進(jìn)行加權(quán),提高模型特征提取能力。

5)將深度殘差解碼器解碼后的特征輸入GMM故障分類器進(jìn)行分類,并根據(jù)注意力權(quán)重計(jì)算聯(lián)合重構(gòu)損失和VAE損失,通過(guò)反向傳播更新網(wǎng)絡(luò)參數(shù),直到迭代結(jié)束,保存得到的模型。

6)在工廠數(shù)據(jù)在線診斷階段,采集在線數(shù)據(jù),將采集到的數(shù)據(jù)轉(zhuǎn)化為灰度圖,輸入到保存好的模型中,進(jìn)行在線故障診斷并輸出診斷結(jié)果。

3 試驗(yàn)驗(yàn)證

為驗(yàn)證DR-VAE-SAM軸承故障診斷模型的有效性和準(zhǔn)確性,利用美國(guó)凱斯西儲(chǔ)大學(xué)(CWRU)和東南大學(xué)的軸承數(shù)據(jù)集進(jìn)行驗(yàn)證。試驗(yàn)環(huán)境配置采用的CPU為Intel Core i7-8700,GPU為NVIDIA GTX 1080 Ti,深度學(xué)習(xí)框架為Pytorch,模型的主干網(wǎng)絡(luò)為Resnet18。模型初始狀態(tài)的學(xué)習(xí)率為0.001,動(dòng)量因子的值調(diào)整為0.8,批訓(xùn)練大小為64,epoch為50;模型采用適合軸承數(shù)據(jù)的AdamW優(yōu)化器,其對(duì)內(nèi)存需求小,同時(shí)能夠減小損失,加快找到最優(yōu)參數(shù)并得到目標(biāo)函數(shù)最優(yōu)解,學(xué)習(xí)率設(shè)置為0.001,衰減率為10-8。

3.1 CWRU軸承數(shù)據(jù)

3.1.1 數(shù)據(jù)預(yù)處理

本試驗(yàn)采用CWRU軸承數(shù)據(jù)集[16]中48 kHz采樣頻率下的軸承數(shù)據(jù),試驗(yàn)軸承型號(hào)為6205,按照其轉(zhuǎn)速分為A,B,C這3類工況,每類工況包含1種正常數(shù)據(jù)和9種故障數(shù)據(jù)。故障數(shù)據(jù)分別由內(nèi)圈(IR)、外圈(OR)、鋼球(B)各3種損傷程度組成(損傷直徑分別為0.178,0.356,0.534 mm)。

在原始一維振動(dòng)信號(hào)的基礎(chǔ)上,將其轉(zhuǎn)化為二維灰度圖像,以A工況為例,轉(zhuǎn)換后的灰度圖如圖8所示,根據(jù)試驗(yàn)要求利用VQ-VAE模型擴(kuò)充故障數(shù)據(jù)至滿足要求(正常數(shù)據(jù)無(wú)需擴(kuò)充)。其中,0.534OR故障數(shù)據(jù)的灰度圖如圖9所示,VQ-VAE生成故障的圖像特征比原始故障明顯。VQ-VAE生成的數(shù)據(jù)樣本不僅保留了原輸入數(shù)據(jù)的特征,而且在其基礎(chǔ)上對(duì)相關(guān)特征數(shù)據(jù)進(jìn)行了增強(qiáng)處理,解決了數(shù)據(jù)不平衡問(wèn)題。

(a) 原始故障數(shù)據(jù)

(a) 真實(shí)樣本 (b) VQ-VAE生成樣本

本試驗(yàn)在每類工況下采集10種故障的真實(shí)數(shù)據(jù)各115條,擴(kuò)充數(shù)據(jù)85條,即每種故障數(shù)據(jù)有200條,最終得到的訓(xùn)練集包括6 000張真實(shí)數(shù)據(jù)和擴(kuò)充數(shù)據(jù)的二維灰度圖,每類工況各2 000張;訓(xùn)練集與測(cè)試集的比例為4∶1,即每個(gè)測(cè)試集中包含一個(gè)工況真實(shí)數(shù)據(jù)二維灰度圖500張。

3.1.2 MMD距離計(jì)算

計(jì)算各工況數(shù)據(jù)之間的MMD距離,為盡可能地增強(qiáng)融合效果,降低融合難度,提高模型穩(wěn)定性,選擇MMD距離最小的2個(gè)工況數(shù)據(jù)進(jìn)行特征融合。根據(jù)表1,本模型選擇融合工況A和工況B的數(shù)據(jù)特征并完成模型訓(xùn)練。

表1 MMD距離統(tǒng)計(jì)表

3.2 數(shù)據(jù)不平衡試驗(yàn)

為進(jìn)一步驗(yàn)證VQ-VAE模型解決故障診斷中數(shù)據(jù)不平衡問(wèn)題的有效性,本文用VGG,ResNet,AleXNet,GoogLeNet模型對(duì)不同工況的原始數(shù)據(jù)和增強(qiáng)數(shù)據(jù)分別進(jìn)行試驗(yàn),結(jié)果如圖10所示,對(duì)比可知,通過(guò)VQ-VAE模型增強(qiáng)后數(shù)據(jù)訓(xùn)練出的模型的故障診斷準(zhǔn)確率更高。深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練通常需要大量的數(shù)據(jù),故障樣本過(guò)少時(shí)模型會(huì)過(guò)擬合,從而影響模型診斷精度;因此,通過(guò)VQ-VAE進(jìn)行數(shù)據(jù)增強(qiáng)可以有效提高故障診斷精度。

圖10 原始數(shù)據(jù)與增強(qiáng)數(shù)據(jù)試驗(yàn)對(duì)比圖

ResNet使用增強(qiáng)數(shù)據(jù)對(duì)工況A,B,C的故障診斷準(zhǔn)確率分別為98.5%,99.0%和95.5%,比其他模型高0.2%～4.0%。ResNet也可以解決多層神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)的梯度消失問(wèn)題,從而深度提取數(shù)據(jù)特征。因此本文選擇ResNet作為基礎(chǔ)網(wǎng)絡(luò)架構(gòu)。

3.3 變工況試驗(yàn)

為驗(yàn)證DR-VAE-SAM變工況故障診斷方法的有效性,設(shè)置9個(gè)試驗(yàn)任務(wù),試驗(yàn)結(jié)果取平穩(wěn)階段的平均準(zhǔn)確率,由表2可知:

表2 變工況試驗(yàn)的準(zhǔn)確率

1)任務(wù)1,2,4,6,8利用增強(qiáng)數(shù)據(jù)訓(xùn)練可以提高故障診斷準(zhǔn)確率。

2)任務(wù)1,2的準(zhǔn)確率高于任務(wù)4。這是由于任務(wù)1,2測(cè)試的是參與融合的工況,而任務(wù)4測(cè)試的是未參與融合的工況,數(shù)據(jù)特征無(wú)法完全表示,具有局限性,因此診斷精度有一定幅度的下降。

3)任務(wù)1,2準(zhǔn)確率高于任務(wù)6,8。這是由于任務(wù)1,2選擇融合的工況為MMD距離最小的AB工況,融合效果較好。

測(cè)試結(jié)果表明,DR-VAE-SAM模型具有一定的泛化能力,對(duì)未參與融合的數(shù)據(jù)仍有一定的診斷能力,可以滿足變工況故障診斷的要求。

3.4 對(duì)比分析

3.4.1 對(duì)比模型的選擇

目前,變工況軸承故障診斷主要思想是將不同工況分為源域和目標(biāo)域,使用MMD或Coral等作為特征分布度量準(zhǔn)則,利用深度神經(jīng)網(wǎng)絡(luò)的可遷移性進(jìn)行特征空間的變換。深度適配網(wǎng)絡(luò)(Deep Adaptation Netowrk,DAN)與Deepcoral是經(jīng)典的遷移學(xué)習(xí)方法。DAN采用多核MMD減小域差異,從而增強(qiáng)網(wǎng)絡(luò)具體任務(wù)層的特征遷移能力;Deepcoral提出一個(gè)coral loss,通過(guò)線性變換將源域與目標(biāo)域分布的二階統(tǒng)計(jì)特征進(jìn)行對(duì)齊。

為驗(yàn)證DR-VAE-SAM模型在變工況軸承故障診斷方面的有效性,將其與DAN,Deepcoral遷移學(xué)習(xí)模型進(jìn)行對(duì)比,為保證對(duì)比試驗(yàn)的有效性、合理性以及全面性,采用控制變量法,即測(cè)試數(shù)據(jù)集和迭代次數(shù)一致,環(huán)境配置均相同,均采用Pytorch框架訓(xùn)練算法。

3.4.2 對(duì)比試驗(yàn)結(jié)果

8組對(duì)比試驗(yàn)及準(zhǔn)確率結(jié)果見(jiàn)表3:與變工況試驗(yàn)結(jié)果類似,使用VQ-VAE進(jìn)行數(shù)據(jù)增強(qiáng)后,DAN,Deepcoral均取得了比原始數(shù)據(jù)訓(xùn)練更高的的故障診斷準(zhǔn)確率,進(jìn)一步證明VQ-VAE可以提高模型的診斷精度。

表3 對(duì)比試驗(yàn)結(jié)果

9組任務(wù)和8組對(duì)比的結(jié)果均證明了數(shù)據(jù)增強(qiáng)模塊的有效性,對(duì)于表2和表3種數(shù)據(jù)增強(qiáng)后的試驗(yàn)結(jié)果:DR-VAE-SAM模型對(duì)于AB→B,AB→C的準(zhǔn)確率分別為88.3%和75.5%,對(duì)于BC→B,BC→C的準(zhǔn)確率分別為82.0%和78.1%,與DAN和Deepcoral變工況故障診斷模型對(duì)A→B和A→C工況的準(zhǔn)確率分別高出4.1%,1.5%,4.7%和2.9%,證明了特征融合模塊的性能。

綜上,遷移學(xué)習(xí)雖然在一定程度上解決了變工況數(shù)據(jù)分布差異的問(wèn)題,但仍可能出現(xiàn)特征空間轉(zhuǎn)換的誤差,導(dǎo)致特征分布無(wú)法完全匹配,從而降低變工況軸承故障診斷的精度。本文模型通過(guò)特征融合和自注意力機(jī)制,使故障特征具有區(qū)分性和代表性,能更有效地表達(dá)軸承故障數(shù)據(jù)的本質(zhì)特征,提高故障診斷的精度和泛化能力。總體而言,DR-VAE-SAM模型在數(shù)據(jù)不平衡和變工況故障診斷方面都略優(yōu)于其他方法。

3.5 泛化性試驗(yàn)

3.5.1 東南大學(xué)試驗(yàn)數(shù)據(jù)

采用東南大學(xué)變速箱數(shù)據(jù)集[17]中的軸承數(shù)據(jù)進(jìn)行DR-VAE-SAM模型的泛化能力試驗(yàn)。本試驗(yàn)采用通道2的數(shù)據(jù),包括正常、鋼球故障、外圈故障和內(nèi)外圈復(fù)合故障,每種故障選取200個(gè)樣本,按照2∶1的比例劃分訓(xùn)練集和測(cè)試集。選取轉(zhuǎn)速-負(fù)載配置為20 Hz-0 V的數(shù)據(jù)為工況D,30 Hz-2 V的數(shù)據(jù)為工況E。

3.5.2 試驗(yàn)結(jié)果

將DE工況融合后訓(xùn)練模型。設(shè)置2個(gè)任務(wù),進(jìn)行4組對(duì)比試驗(yàn)。任務(wù)一,使用工況D的500張真實(shí)數(shù)據(jù)二維灰度圖作為測(cè)試工況并輸出結(jié)果;任務(wù)二,使用工況E的500張真實(shí)數(shù)據(jù)二維灰度圖作為測(cè)試工況并輸出結(jié)果。2個(gè)任務(wù)均在本試驗(yàn)訓(xùn)練好的模型上測(cè)試。2組對(duì)比分別用DAN,Deepcoral進(jìn)行工況D→E和E→D的試驗(yàn),其中,源域?yàn)橛袠?biāo)簽的訓(xùn)練樣本,目標(biāo)域?yàn)闊o(wú)標(biāo)簽的測(cè)試樣本。試驗(yàn)測(cè)試結(jié)果見(jiàn)表4。

表4 泛化試驗(yàn)結(jié)果

由表4可知,DAN,Deepcoral模型的故障診斷準(zhǔn)確率均低于DR-VAE-SAM模型。遷移學(xué)習(xí)雖然可以解決變工況中源域與目標(biāo)域數(shù)據(jù)分布差異問(wèn)題,但遷移后的模型對(duì)于目標(biāo)域以外數(shù)據(jù)的診斷仍具有局限性;而本文所提方法可以通過(guò)不同工況之間特征融合提取全局特征,使模型具有更強(qiáng)的泛化能力,故障診斷精度更高。

4 結(jié)束語(yǔ)

提出了基于DR-VAE-SAM的不平衡變工況軸承故障診斷方法,通過(guò)VQ-VAE對(duì)軸承故障數(shù)據(jù)進(jìn)行增強(qiáng)可以提高軸承故障診斷的準(zhǔn)確率;結(jié)合DR-VAE和自注意力機(jī)制并引入遷移學(xué)習(xí)中的最大均值差異(MMD)作為融合標(biāo)準(zhǔn),可以提高特征融合的穩(wěn)定性,從而進(jìn)一步提升軸承故障診斷的效率和精度。

盡管本研究取得了令人滿意的成果,但仍存在一些問(wèn)題需要解決:需要深入研究該方法在實(shí)際工程應(yīng)用中的適用性和可擴(kuò)展性;需要考慮模型在大規(guī)模數(shù)據(jù)集上的訓(xùn)練和測(cè)試,以驗(yàn)證該方法的魯棒性和穩(wěn)定性;探索更多的特征提取和融合方法,以進(jìn)一步提高軸承故障診斷精度。