基于深度子领域自适应的滚动轴承故障诊断_张晓.pdf

年第期基于深度子领域自适应的滚动轴承故障诊断张晓（重庆交通大学机电与车辆工程学院，重庆 ）摘要：由于工况不同引起的数据分布差异造成滚动轴承故障诊断效果不佳，提出基于深度子领域自适应（，）的滚动轴承故障诊断方法。首先对滚动轴承振动信号进行连续小波变换，构造时频图来描述其故障特征。其次，将数据映射到深度神经网络中提取特征，并在特征空间中对两个领域的特征进行对齐，通过特征对齐减少两个领域间的特征差异，完成不同工况下的滚动轴承故障诊断。为了验证上述方法的有效性，在滚动轴承数据集进行了实验验证。关键词：滚动轴承；故障诊断；领域自适应；不同工况中图分类号：文献标识码：文章编号：（）（，）：，（），：；作者简介：张晓（），女，山东菏泽，汉族。硕士研究生，研究方向为机电设备故障诊断。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。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。域适应是迁移学习中的一个重要概念。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。等提出了深度适配网络（，），将深度卷积神经网络应用到了域适配场景 等采用最大平均差异和域混淆函数对其进行了域自适应，提取两个域间的域不变特征，实现跨域故障诊断。康守强等引入半监督迁移成分分析方法对不同工况下滚动轴承的振动特征进行迁移，解决了滚动轴承故障诊断的跨域迁移问题。等提出了深度卷积域对抗迁移学习方法，并将其应用于可变运行条件下的滚动轴承故障诊断。它们主要集中于对齐全局源和目标分布，而不考虑同一类别不同域中子域之间的关系。这些方法导致了源域和目标域的全局域偏移，并且两个域的全局分布在自适应之后大致相同。然而，全局对齐可能会导致一些不相关的数据过于接近，无法准确分类。实际上，通过利用不同域中子域之间的关系，仅对齐相关子域分布不仅可以匹配全局分布，还可以匹配前面提到的局部分布。因此，利用两个子域之间的关系来克服对齐全局分布的限制的子域自适应是必要的。基于此提出了一种用于子域自适应的深度子领域自适应网络架构，该架构可以通过捕获每个类别的细粒度信息，可以在端到端框架中进行训练来扩展 的能力，利用来测量在源域和目标域中嵌入相关子域的核均值之间的差异，并采用新的局部分布差异度量来估计两个子域分布之间的差异。首先，利用残差网络提取注意力机制对卷积层各特征通道特征；然后，通过局部最大平均偏差实现两域特征迁移，减小转速变化带来的特征分布差异；最后，在 分类层下实现对复杂工况下的滚动轴承故障诊断。通过复杂工况下的滚动轴承故障诊断实验，证明了所提方法的有效性和可行性。深度子领域自适应原理深度网络比传统的手工特征，可以学习更多的可转移DOI:10.19475/ki.issn1674-957x.2023.04.008内燃机与配件 表示。深度特征的良好可转移性导致了几种流行的深度转移学习方法，主要使用具有全局域自适应损失的自适应层来联合学习表示。不仅对齐了全局源和目标分布，还通过在端到端深度学习模型中集成深度特征学习和特征自适应来对齐相关子域的分布。其网络结构如图所示。图网络结构图 最大平均差异是一个核心两样本测试，它基于观察到的样本拒绝或接受零假设。基本思想是，如果生成的分布是相同的，那么所有的统计数据都是相同的。（，）（）（）（）其中是 具 有 特 征 核的 再 生 核 希 尔 伯 特 空 间（）。这里，（）表示将原始样本映射到 的一些特征映射。局部最大平均偏差作为两种分布之间的非参数距离估计，已被广泛应 用 于 测 量 源 和 目 标 分 布 之 间 的 差 异。先 前 基 于的方法主要关注全局分布的对齐，忽略了同一类别中两个子域之间的关系。考虑到相关子域的关系，将相关子域的分布在源域和目标域中的同一类别内是很重要的。同一类别中的样本更具相关性。但是，目标域中的数据未标记。因此，我们将使用网络的输出作为目标域数据的伪标签，子域自适应的目的是对齐具有相同标签的样本的相关子域的分布。结合分类损失和子域自适应损失，对齐相关子域的分布，为（，）（）（）（）（）（）其中和是和中的实例，（）和（）分别是（）和（）的分布。与 不同，公式（）可以测量局部分布的差异。通过在深度网络中最小化（），同一类别中相关子域的分布接近。因此，利用细粒度信息进行域自适应。基于深度子领域自适应的滚动轴承故障诊断方法所提出深度子领域自适应的滚动轴承故障诊断方法具体步骤如下：）获取滚动轴承故障振动信号，划分训练集（源域）和测试集（目标域），构建样本集；）构建 模型，设置 参数，通过批量的方式将训练集、测试集输入 ；）利用 特征提取模块中的深度残差收缩网络模块实现对源域和目标域降噪后深层特征的自动提取；）通过 领域适配模块由局部最大均值差异对所提两域特征进行适配，减小因转速不同导致的两域特征分布差异；）重复）、）、）步骤，达到最大迭代次数，得到训练好的 模型，输入测试集，通过 分类层输出诊断结果，完成复杂工况下滚动轴承故障诊断。实验及结果分析 实验数据实验数据来自机械故障综合模拟实验台，主要由电机、联轴器、滚动轴承等组成，利用磁座将振动传感器固定于轴承座上。故障试验台见图、图。图振动传感器图故障试验台采用 型深沟球轴承，节径 英寸，包含个滚动体，接触角 。采集时转速分别为）工况 ；）工况 ；）工况 ；加载负荷均为 ，采样频率为 。图外圈图内圈图滚动体所设置的滚动轴承四种故障类型分别为：内圈故障（）、外圈故障（）、滚动体故障（）、正常（）。在跨域任务中，表示数据集为源域，数据集为目标域。对采集到的振动数据进行标准化以 个点截取样本，三种工况下每类故障 个样本共 个样本作为训练集，每类故障 个样本共 个样本作为测试集。数据集的构建如表所示。表数据集构建训练集测试集正常 个 个内圈故障 个 个外圈故障 个 个滚动体故障 个 个总计 个 个 实验验证网络运行软件环境为：，通过多次实验，优化器选择随机梯度下降（，），动量设置为，同时为减少网络计算成本，年第期使用 时对学习率进行如下调整：，其中为训练过程中从到的线性变化，批量为 。在训练的早期阶段抑制噪声激活，而不是固定适应因子，采用变化适配因子（），其中为当前训练的次数与总训练次数的比值。为验证所提方法的有效性，将该模型与深度迁移学习方法（，）、深 度 适 应 网 络（，）、残差网络（，）进行对比，并采用了分类准确率来评估这些方法的性能，最终获得每种方法迁移任务中的平均准确率，如表所示。表识别准确率跨域任务 平均 、的准确率都为 ，而 的平均识别准确率仅仅为 ，相较于 、分别低于 、，这 是 因 为 与 相 比 于 均含有适配层，能够通过分布适配拉近两域特征分布距离，说明了在不同转速下进行适配的必要性，能够减小因为工况不同引起的数据分布差异；而本文方法的平均识别准确率高达 。均高于 、，这是由于本文方法从子领域的概念出发，、在不考虑子域之间的关系的情况下对齐全局分布，而 精确地对齐相关子域分布，这可以为每个类别捕获更细粒度的信息，对相关的子领域进行对齐，使用在不同的层进行对齐，可以提高其识别准确率。结论实际工程应用中，滚动轴承通常在不同的工况下运行，其数据分布存在较大差异，为此，提出基于深度子领域自适应的方法。利用特征提取模块能够实现复杂工况下滚动轴承故障特征的有效提取；通过子领域适应实现两域特征的迁移，减少由于转速变化导致的数据分布差异给故障诊断带来的影响；最后通过实验对比证明所提方法的优势。主要结论有：）子域自适应可以精确地对齐源和目标域的同一类别内的相关子域的分布，并利用局部分布差异测量同一类别不同域中相关子域之间的差异；）该方法在实验室采集的数据集中与主流迁移学习方法进行了对比，该方法平均预测精度最高，证明了所提出的 方 法 在 不 同 工 况 下 滚 动 轴 承 故 障 诊 断 的 有效性。参考文献：余阿东 基于深度字典学习的滚动轴承故障识别机电工程，（）：，：刘应东，刘韬，李华，等变工况轴承的联合分布适应迁移故障诊断电子测量与仪器学报，（）：，：，：康守强，胡明武，王玉静，等基于特征迁移学习的变工况下滚动轴承故障诊断方法中国电机工程学报，（）：，（）：，