基于多表示动态自适应的不同工况下滚动轴承故障诊断_朱继扬.pdf

第 40 卷第 2 期2023 年 2 月机电工程Journal of Mechanical Electrical EngineeringVol 40 No 2Feb 2023收稿日期:2022 05 23基金项目:山西省自然科学基金资助项目(201801D121186)作者简介:朱继扬(1996 )，男，河南信阳人，硕士研究生，主要从事机械系统故障诊断与状态检测方面的研究。E-mail:1664546742 qq com通信联系人:孙虎儿，男，博士，副教授，硕士生导师。E-mail:sunhuer163 comDOI:10 3969/j issn 1001 4551 2023 02 003基于多表示动态自适应的不同工况下滚动轴承故障诊断*朱继扬，孙虎儿*，张天源，赵扬，白晓艺(中北大学 机械工程学院，山西 太原 030051)摘要:在对不同工况下的滚动轴承进行故障诊断时，要收集足够多标记的故障样本是非常困难的。为此，以原始振动信号作为神经网络的输入，通过多表示动态自适应(MDA)算法多表示对齐可迁移的特征、自适应动态的衡量边缘分布和条件分布相对重要性，从而构建了一种新的深度迁移模型，即一维多表示空洞动态自适应迁移网络(1D MDDATN)。首先，对迁移学习数据分布进行了问题分析，对 DDA 进行了理论推导;然后，在一维空洞卷积基础上，创建了一维多表示空洞卷积神经网络(1D MDCNN)，并提出了 MDA 算法和多表示动态自适应结构(MDAM)，形成了一维多表示空洞动态自适应迁移网络(1D MDDATN);最后，采用美国凯斯西储大学(CWU)的滚动轴承数据集进行了实验验证。研究结果表明:与传统的深度迁移学习方法相比，上述方法的平均诊断准确率有所提升，可达到98%以上;MDA 通过多表示对齐来完成不同工况下的跨域分类任务，自适应地捕获不同方面的信息，可以获得更好的性能。关键词:不同工况;一维多表示空洞动态自适应迁移网络;故障样本;深度迁移学习;多表示动态自适应算法;神经网络;一维多表示空洞卷积神经网络中图分类号:TH133 33文献标识码:A文章编号:1001 4551(2023)02 0178 09olling bearing fault diagnosis under different workingconditions based on MDAZHU Ji-yang，SUN Hu-er，ZHANG Tian-yuan，ZHAO Yang，BAI Xiao-yi(School of Mechanical Engineering，The North University of China，Taiyuan 030051，China)Abstract:In fault diagnosis of rolling bearing under different working conditions，abundantly labeled data was often difficult or evenimpossible to obtain Therefore，using the original vibration signal as the input of the neural network，through the multiple representationdynamic adaptive(MDA)algorithm，the multi-representation aligns the transferable features，and the adaptive dynamic measures therelative importance of the marginal distribution and the conditional distribution，a new deep transfer model was constructed，namely the one-dimensional multi-representation hole dynamic adaptive transfer network(1D MDDATN)Firstly，transfer learning data distribution wasanalyzed，and DDA was theoretically deduced Then，on the basis of one-dimensional dilated convolution，a one-dimensional multi-representation dilated convolution neural network(1D MDCNN)was created，and the MDA algorithm and multi-representation dynamicadaptive structure(MDAM)were proposed to construct a one-dimensional multi-representation dilated dynamic adaptive transfer network(1D MDDATN)Finally，the rolling bearing data set of CWU was verified by experiments The research results show that compared withthe traditional deep transfer learning methods，the average diagnostic accuracy of the proposed method is improved and reaches more than 98%MDA completes cross-domain classification tasks under different working conditions through multi-representation alignment，and adaptivelycaptures information from different aspects，which achieves better performanceKey words:different working conditions;one-dimensional multi-representation hole dynamic adaptive transfer network(1D MDDATN);fault sample;deep transfer learning;multi-representation dynamic adaptive(MDA)algorithm;neural network;one-dimensional multi-representation dilated convolution neural network(1D MDCNN)0引言滚动轴承是机械系统的重要零部件，其是否能健康运行对机械系统的平稳运行具有重大的影响，故对其开展故障诊断和状态监测意义重大。随着深度学习的不断发展，基于深度学习的轴承智能故障诊断方法得到了广泛应用，并且已经取得不少的成果1，2。在深度学习的实际应用中，因为机械设备工作条件的改变，故障样本的分布特征往往会发生变化;并且对于每个不同工况，几乎不可能收集到足够多的标记故障样本，这极大地限制了基于深度学习的故障诊断的泛化能力。迁移学习是一种挖掘不同数据分布之间相似性的方法，它可以将源域中的知识转移到目标域中3。域适应是迁移学习中的一个重要概念4。域适应的主要目的是，通过比对源域数据和目标域数据的特征分布，尽可能多地学习源域中带标签数据的隐藏信息，帮助完成目标域中的任务5，6。LI Xiang 等人7 提出了一种基于自编码器网络的深度域自适应方法，实现了跨机迁移学习的故障诊断目的。HAN Te 等人8 将边缘分布适应扩展到联合分布适应，该方法能有效地利用源域中有标记的数据，对无标记的目标域进行迁移学习故障诊断。SHAO Jia-jie 等人9 利用了短时傅里叶变换，将原始数据转换为时频图像，采用最大平均差异和域混淆函数对其进行了域自适应，提取了两个域之间的域不变特征，实现了跨域故障诊断目的。LIAO Yi-xiao 等人10 利用实例加权动态最大平均偏差进行了动态分布适应，并且进一步衡量了每个类别条件分布的所占比例，而且考虑目标域中软伪标签的置信度，将源域和目标域的迁移特征进行了对齐。SHEN Chang-qing 等人11 提出了一种动态联合分布对齐网络，以此来动态定量地评估边缘分布和条件分布的相对重要性，同时使用软伪标签更准确地度量了不同域之间的条件分布差异。但是以上这些方法都是根据单个结构进行表示分布特征提取，而该特征分布只包含部分信息。大多数滚动轴承数据都是一维时间序列或频率序列。与直接使用原始的一维数据相比，将原始的一维数据转换为二维数据，可能会导致故障诊断的效果较差12。如何利用一维卷积神经网络提取一维振动信号，进行迁移学习故障诊断是近年来业界的研究的热点。WANG Kai 等人13 提出了一维多尺度域自适应网络，采用了特征自适应和分类器自适应两种方法，以此来指导多尺度卷积神经网络对不同工况下的轴承故障进行诊断。HUO Chun-ran 等人14 提出了一种改进的自适应维数转换卷积神经网络，通过该网络，自适应地将一维振动信号转化为二维矩阵特征，并采用分层交替迁移学习方法，对模型进行训练。WANG Zhi-jian等人15 建立了一种可对原始数据进行故障诊断的模型，即子域自适应迁移学习网络，并提出了边缘分布和条件分布偏差，以及网络层之间的贡献程度。ZHANGui-xin 等人16 使用一维轻量级卷积神经网络，从原始振动信号中快速提取了其高级特征，采用了 LMMD拟合源域和目标域数据的概率分布，实现了故障分类目的。JIN Tong-tong 等人17 提出了一种多层自适应卷积神经网络，并以原始时间信号为输入，将自适应归一化批处理和多核最大均值差异相结合，提高了模型的域适应能力。LV Ming-zhu 等人18 提取了原始振动数据的可转移特征，然后构造了加权混合核函数，将不同的可转移特征映射到统一的特征空间，并动态评估了边缘分布和条件分布的相对重要性;但是由于基于一维卷积神经迁移网络过于复杂，模型层数很高，参数很多，造成了模型整体性能较差。为了解决上述问题，笔者以原始振动信号作为神经网络的输入，通过多表示动态自适应(MAN)算法多表示对齐可迁移的特征、自适应动态的衡量边缘分布和条件分布相对重要性，从而构建一种新的深度迁移模型，即一维多表示空洞动态自适应迁移网络(1DMDDATN)，并在 CWU 的滚动轴承数据集进行实验验证。1理论背景1 1问题描述迁移学习中的数据分为源域数据 Ds=xsi，ysinsi=1和目标域数据 Dt=xtinti=1。其中，源域是存在数据标注的领域，源域数据是知识库中的数据。而目标域是要进行学习的领域，该领域的数据没有标签。源域样本个数为 ns，目标域样本个数为 nt。源域与目标域的特征空间相等即 xs=xt，种类相等即ys=yt。设源域数据的分布为 Ps(xs)，目标域数据的分布为 Pt(xt)，但 Ps(xs)Pt(xt)，笔者提出一种深度自适应网络，使源域的故障诊断知识能够运用到目标域中，实现对目标域的故障诊断。1 2动态分布自适应动态分布自适应(DDA)19 2能够定量地评估每个971第 2 期朱继扬，等:基于多表示动态自适应的不同工况下滚动轴承故障诊断分布的相对重要性，并且很容易地融入到结构风险最小化的框架中，以解决迁移学习的问题。距离度量准则用于度量不同域间数据分布的差异，在迁移学习中起着重要作用。一般来说，MMD20 通常用来测量不同数据之间的分布