用于軸承故障診斷的兩步遷移學習法

陶啟生，彭 成，2，滿君豐，2，劉 翊，3

1.湖南工業大學 計算機學院，湖南 株洲 412007

2.中南大學 自動化學院，長沙 410083

3.國家先進軌道交通裝備創新中心，湖南 株洲 412000

滾動軸承是現代重機械中的基礎部件，也是最容易發生故障的部件之一，當軸承發生故障而不能及時檢測出來時，就可能造成不可預知的事故，甚至造成人員傷亡，文獻[1]指出接近50%的機械故障都是由于軸承故障引起的，所以為了保障機械設備的正常運轉，降低維修費用，提升經濟效益，對于機械軸承故障診斷技術進行研究具有重大的實際意義[2-3]。

美國學者是最早對軸承故障診斷進行研究的，他們通過加速度傳感器采集軸承的振動信號對軸承進行故障診斷，國內對于軸承故障診斷研究起步相對較晚，開始只是學習國外的先進經驗，經過眾多學者的不斷努力，國內的振動信號處理和故障診斷方法已經有了長足的進步。通常使用的軸承振動信號處理方式有時域分析方法、頻域分析方法以及時頻分析方法。基于傳統的數據驅動的機械故障診斷方法的步驟為：（1）信號采集；（2）特征提取；（3）特征選擇；（4）故障分類。近年來，人工智能逐漸走進人們的視野，且隨著深度神經網絡在圖像分類與語音識別方面取得的優異成果，研究人員開始將神經網絡應用于機械故障領域，神經網絡可以讓模型通過大量的數據提取并選擇特征，減少對于人工的依賴，極大地提升了故障診斷領域的智能化水平。

深度學習通常需要足量數據才能訓練出優異表現的網絡模型，而在實際生產環境中，軸承故障的數據獲取成本大，且獲取的數據故障分布不均衡，所以很容易造成深度學習模型過擬合或者難以收斂的問題。所以遷移學習逐漸被引用到機械故障診斷領域，通過在源數據集與目標數據集之間進行遷移學習，讓模型可以在少量數據和不平衡數據的情況下，但遷移學習同樣存在著負遷移[4]的問題，即由于源數據集與目標數據集之間數據分布差異過大影響遷移學習的效果，因此如何避免由于數據分布差異過大導致的負遷移效應成為了研究的重點。本文提出了基于DCGAN（deep convolutional generative adversarial networks）與二步遷移學習的軸承診斷方法，本文先通過使用DCGAN創造輔助數據集，然后再在源數據集與輔助數據集之間進行一次遷移學習，最終在輔助數據集與目標數據集間再次遷移學習。由實驗表明，本文提出的方法可以有效克服遷移學習的負遷移效應，成功訓練出表現優異的模型，而且最終的模型效果還優于傳統的機器學習與普通深度學習方法。

1 國內外研究現狀

由于振動信號非常復雜，常伴隨著大量背景噪音，為了有效提取故障特征信號，莫代一等[5]將基于信號共振稀疏分解（RSSD）方法引用到滾動軸承早期故障診斷中，可以通過信號本身的特點，自適應地對信號進行稀疏分解，有效去除噪音，為故障信號的檢測提供了新思路。因為常采用的信號分析的傅里葉變換、小波變換等數學方法都有各自的局限性，程軍圣等[6]提出了基于內稟模態奇異值分解和支持向量機結合的故障診斷方法，采用EMD方法對故障信號進行分解，得到IMF分量，然后將IMF分量組成的特征矩陣的奇異值作為特征向量，并結合支持向量機進行故障診斷。Liu等[7]提出利用經驗模態分解（EMD）和Hilbert譜進行機械故障診斷。針對軸承故障特征信號被背景噪音干擾無法提取的問題，鄭慧峰等[8]提出了利用EMD與Kolmogorov熵相結合來提取信號特征的方法進行故障診斷，即先對振動信號進行經驗模態分解得到imf分量，然后對imf分量進行降噪得到特征信號，最后對特征信號進行Kolmogorov熵計算，通過熵進行損傷評估。Dragomiretskiy等[9]于2017年提出變分模態分解，可以有效分解混合信號，將抑制模態混淆，有助于下一步進行提取特征進行故障診斷。Mcdonald等[10]在最小熵反褶積法（MED）的基礎上提出了最大相關峭度解卷積算法，解決了傳統MED支對單脈沖信號敏感的特點，有效提升了模型性能。上述基于信號處理和模式識別技術的方法雖取得了豐碩的成果，但依然存在信號處理方法復雜、對專家診斷經驗依賴等缺點。

Gao等[11]用深度卷積模型對故障軸承進行診斷，而且與區域適應性方法相結合，有效地增強模型效果；劉正平等[12]提出了基于堆棧降噪自編碼的軸承故障診斷方法，通過使用自動編碼器從原始數據中學習到特征，有效避免了對于專家診斷經驗的依賴的弊端，且可以取得較好的診斷正確率。上述工作都避免了對于振動信號的復雜的特征提取工作，而直接將軸承振動信號輸入到神經網絡中進行故障診斷分類，實現了“端對端”的分析過程，且有效提升了診斷工作的智能化水平。深度學習通常需要足量數據才能訓練出優異表現的網絡模型，于是只需要少量數據就可以獲得優異模型的遷移學習就被引入到故障診斷領域中。Yang等[13]提出一種基于遷移學習的軸承故障診斷方法，該方法對基于特征的轉移神經網絡進行遷移學習，且添加正則化項，最終在缺乏數據的情況下可以訓練可靠的智能模型。李林杰[14]提出了基于遷移學習的滾動軸承診斷系統，通過短時傅里葉變換將時域信號轉變為包含豐富信息的時頻圖，并構建CNN網絡且通過相關數據集進行預訓練，可以有效提升實時性，上述的遷移學習方法都避免了深度學習海量數據的問題，但都對源數據集與目標數據集的數據分布差異有一定的要求，分布差異過大的遷移學習可能會導致模型無法很好地學習到源數據集的知識，為了能夠在缺乏負樣本以及小樣本的情況下進行遷移學習得到有效的故障診斷模型，所以本文提出了基于DCGAN與二步遷移學習的故障診斷方法，可以有效地避免在遷移學習中可能出現的負遷移問題，在當前的機械故障診斷領域，基于遷移學習的診斷方法還是比較新穎的方法，相應的研究還較少，相信以后會涌現更多優秀的發現。

2 理論基礎

2.1 遷移學習（transfer learning）

近些年，得益于硬件的發展與大數據技術的飛速發展，深度學習在圖像與語音[15]等領域取得了巨大的成功，于是將深度學習應用于軸承故障檢測的研究與日俱增，由于深度學習方法需要海量的數據才可以訓練出一個表現優異的模型，而故障檢測領域的數據具有獲取難度大、標注成本高的特點，因而本文提出使用遷移學習來進行故障診斷。

遷移學習[16]是將源領域的知識遷移到目標領域中去應用的方法，如圖1所示，遷移學習的核心在于對已有知識的重新使用，來解決目標領域中數據匱乏的問題，即通過知識遷移達到知識重用的目的，在本文中就是想要在軸承振動數據中應用到模型在源數據集中學習到的特征提取的知識。

圖1 遷移學習示意圖Fig.1 Transfer learning diagram

遷移學習的主要概念有域D（Domain）和任務T（Task），域D的組成為特征空間X與X的邊緣概率分布P(x)，其中x∈{x1,x2,x3}，任務T的組成是標簽空間Y與預測函數f(*)，定義源域為Ds，目標域為Dt，源任務是Ts，目標任務是Tt，遷移學習的定義是當Ds≠Dt,Ts≠Tt時，將在Ds、Ts中學習到的知識應用在Dt、Tt中，以期增高Tt的預測函數f(*)。

2.2 卷積對抗生成網絡（DCGAN）

對抗生成網絡GAN由生成器（Generator）與判別器（Discriminator）組成[17]，生成器與判別器之間相互博弈對抗，GAN的標準結構如圖2所示，生成器的輸入Z為隨機數據，通常為高斯分布噪音，而判別器則是要對生成器的輸出O進行判別，同時判別器還要對真實數據進行判別，在GAN的訓練過程中，通過對于損失函數的設計，生成器向著產生的O在判別器前取得更高的分數發展，而判別器向著能夠更明顯地判別出生成器的O的方向發展，在不斷的博弈中，生成器生成的數據分布Pg就與真實數據的分布Pdata差異越來越小，當差異小到一定的程度，就可以認為模型訓練收斂，這時可以將生成器單獨拆出來，使用生成器來生成與真實數據幾乎同分布的數據，這就是GAN在數據增強領域中的應用。

圖2 生成對抗網絡結構圖Fig.2 Generate adversarial network structure diagram

深度卷積生成對抗網絡（DCGAN）是由Radford等[18]在2015年提出，DCGAN的創新在于使用了深度卷積網絡來作為GAN的生成器與判別器，同時的改進還有在卷積層后添加上批標準化（batch normalization，BN），使用卷積層來代替池化層，以及除了生成器輸出層激活函數使用Tanh，模型的所有其他層都使用ReLU和Leaky ReLU激活函數，通過這些改進與創新，DCGAN對于局部的特征提取能力有了極大的提升。本文對于振動數據的預處理就是將其轉換成時頻圖像，由于DCGAN十分適合處理后的圖像數據，且模型中多層的卷積與反卷積也對于故障特征的提取十分有益，所以本文選擇了使用DCGAN來進行輔助數據集的生成。

在訓練DCGAN使用的源數據集數據格式為（None×3×64×64），None為批處理量，在數據喂給DCGAN的判別器時，判別器第五層卷積層輸出的數據格式為None×1×1×1，生成器的輸入為100×1×1的隨機噪音，輸出為1×64×64的數據，將生成器的輸出與真實數據同時輸入判別器，模型的損失函數如下所示：

由生成器與判別器兩部分組成，通過兩個網絡之間的相互博弈，最終達到納什均衡，最終收斂的模型的生成器可以用來生成輔助數據集。

2.3 殘差網絡（Resnet）

本文遷移學習使用的模型是Resnet18，Resnet是由He等[19]在2016年提出的，Resnet的最大創新在于引入了殘差塊結構，殘差塊的結構如圖3所示，殘差塊的輸入為x，輸出為H(x)，Weight Layer為卷積層，F(x)為殘差映射函數，本文中殘差塊計算公式如下：

圖3 殘差塊示意圖Fig.3 Residual block diagram

identity表示輸入的恒等映射，即圖中的右側的曲線，F(x)代表對輸入x做兩次卷積與一次線性整流函數（Rectified Linear Unit relu）激活，當F(x)=0時，殘差塊構成恒等映射H(x)=x，網絡可以通過最小化殘差函數F(x)=H(x)-x來逼近殘差映射以解決網絡層疊加的性能退化問題。

殘差網絡的使用可以有效地避免梯度爆炸與梯度彌散現象，同時殘差塊參數量減少也可有效避免過擬合問題，假設現在有n個殘差塊進行堆疊連接，以x(n)表示第n個殘差塊的輸入，x(n+1)表示該殘差塊的輸出，也是第(n+1)個殘差塊的輸入，可以推導得到第n個殘差塊的輸出為：

由式（3）可知，各層殘差網絡的累加構成了殘差網絡的特征，同時保證深層網絡擁有比淺層網絡更多的特征信息。Resnet18由8個殘差塊外加一層卷積層和最終的全連接層組成，如圖4所示，所以Resnet18由17層卷積層與1層全連接層組成。

圖4 Resnet18結構示意圖Fig.4 Resnet18 structure diagram

3 模型方法

遷移學習可以重復使用源數據域的知識，因而廣泛應用于標簽數據缺乏的領域，軸承故障發生通常較難預見且發生概率較低，取得故障數據的成本與難度較高，較少的標注數據難以支撐從頭訓練一個深度網絡，使用遷移學習可以有效地解決數據集過小的問題，通過對源數據集知識的復用能讓深度網絡在較小數據集的訓練下依舊有較好的效果，本文提出基于遷移學習的軸承故障診斷。但是遷移學習要求源數據集與目標數據集的數據分布差異不能太大，如果數據集間差異太大，則模型在源數據集中學到的特征提取能力并不能成功地提取到目標數據集的特征，從而不能在目標數據集上取得較好的表現，為了解決普通遷移學習的“負遷移”問題，本文提出了基于DCGAN的二步遷移學習法，其主要流程如圖5所示。

圖5 實驗流程圖Fig.5 Experimental flowchart

（1）數據預處理。將滾動軸承原始振動數據按照7∶3的比例分層抽樣劃分為訓練集與測試集。

（2）生成融合數據集。將原始時域振動信號按照滑動窗口法進行取樣，并通過短時傅里葉變換轉化為時頻圖像數據，即生成目標數據集。同時在源數據集Imagenet中選取與目標數據集數量相同的圖片，縮放到目標數據集中圖片的形狀，然后隨機選取目標數據集與源數據集的圖片進行數據融合形成融合數據集。

（3）訓練DCGAN。使用融合數據集訓練DCGAN，直至模型達到預定的收斂條件，獨立取出DCGAN的生成器，使用隨機噪音來生成輔助數據集。

（4）在源數據集與輔助數據集間進行遷移學習。使用在源數據集ImageNet完成預訓練的Resnet18模型和DCGAN生成的輔助數據集進行遷移學習，預定循環輪數，達到循環輪數即固定模型參數，結束遷移學習過程。

（5）在輔助數據集與目標數據集間進行遷移學習。將經過過程（4）的模型使用目標數據集再次進行遷移學習。預定循環輪數，達到循環輪數即固定模型參數，結束遷移學習過程。

（6）利用測試集來測試模型效果。將測試集輸入訓練好的模型，使用準確率、召回率、F1值來進行性能評價。

4 基于DCGAN與二步遷移學習的故障診斷

4.1 數據預處理

實驗數據采用的是CWRU的滾動軸承振動數據，選用型號是SKF-6205的驅動端軸承，通過電火花加工單點造成損傷，損傷位置有外圈、內圈、滾動體，信號的采樣頻率是12 kHz，故障直徑為0.007 in，0.014 in，0.021 in。由于多工況，不同軸承位置故障的存在，為了盡量全面地表現軸承的狀態，把不同故障程度、不同位置的軸承都單獨看做一類，數據集共有10種類型，而且根據7∶3的比例分為了訓練集與測試集，數據集如表1所示。

表1 不同類型滾動軸承數據集描述Table 1 Description of different types of rolling bearing data sets

對于已經分割的原始振動信號數據集，采取窗口滑動法截取1 024的點組成樣本，設滑動窗口h,S1由第1個到第1 024個數據點組成，S2由第(h+1)個到第(h+1 024)個振動數據點組成，由此類推，取樣方式如圖6所示。

圖6 振動信號數據增強示意圖Fig.6 Schematic diagram of vibration signal data enhancement

對于上述已經分割完成的原始數據，需要對每段數據進行時頻分析，將原始的振動信號進行短時傅里葉變換轉變成時頻圖進行后續的網絡診斷，轉換后的時頻圖組成目標數據集，四種狀態的原始信號轉換的時域圖如圖7所示。相比于原始振動信號中故障特征不明顯，時頻圖可以更突出地反應原始信號在時域與頻域方面的信息。

圖7 振動信號時頻圖Fig.7 Time-frequency diagram of vibration signal

在ImageNet中隨機選取與訓練集數量相同的圖片，縮放至64×64大小，隨機與訓練集圖片進行疊加形成融合數據集。由于二步遷移學習需要降低源域與目標域的數據分布差異來提升遷移學習的效果，所以將兩種分布的數據進行融合疊加，在DCGAN的訓練過程中，通過損失函數的限制，讓生成的輔助數據集與源數據集的分布差異能比原本的源域和目標域的差異小。

4.2 二步遷移學習

二次遷移學習方法的第一步就是利用DCGAN和融合數據集來生成輔助數據集。DCGAN的生成器G是由五層反卷積層組成，判別器D由五層卷積層組成。其中生成器接收隨機高斯噪音，輸出為G(Zi)，判別器輸入為G(Zi)與混合數據集中的真實數據，輸出為0至1之間的數值，其中判別器輸出越接近0代表判別器認為輸入數據越有可能是G(Zi)，輸出越接近1代表判別器認為數據越有可能是真實數據Xi，在訓練判別器時，為了避免神經元訓練過程中“死亡”的問題，激活函數使用LeakyReLU[20]，其定義為：

其中，a為設定較小的常數。

二次遷移學習方法的第二步是在源數據集與輔助數據集之間進行遷移學習，雖然源數據集Imagenet由現實中的圖片所組成，目標數據集使用的模型是在ImageNet上完成預訓練的Resnet18，考慮到預訓練的Resnet18已經在ImageNet數據集中學習到很多圖像低層次特征，所以在遷移學習訓練前期只放開全連接層，當模型損失平穩不再下降后，為了模型能學習到輔助數據集中故障數據的高層次特征，放開剩下所有層的參數θ，然后固定訓練M輪，讓模型形成多層次的特征提取器。在訓練過程中使用交叉熵函數作為損失函數定義為：

其中，p(x)為樣本的真實分布，q(x)為模型預測的概率。損失函數中加入L2正則化可以降低模型復雜度，降低過擬合的風險，所以最終的損失函數如下：

其中，λ是L2正則化的權值，w是模型所有層的權值，通過Adam算法進行優化，最小化目標函數LResnet(w)。

二次遷移學習的第三步是在輔助數據集與目標數據集之間進行遷移學習，將模型所有層的參數都放開，固定訓練N輪，讓模型中特征抽取的部分可以學習到目標數據集的數據特征，而且由于輔助數據集與目標數據集之間的數據分布差異較小，所以遷移學習能有效地避免負遷移效應帶來的問題，在訓練過程中依舊采用交叉熵外加上L2正則化作為損失函數，并最終通過Adam[21]算法進行優化，最小化損失函數。

4.3 實驗參數說明

實驗基于開源框架Pytorch與Python3.6下實現，實驗平臺是ubuntu18.04，24 GB內存，480 GB SSD，1 TB HD，AMD@Ryzen7 3700x，Nvidia GTX 1080Ti，顯存為11 GB，實驗共分為兩個部分，即使用DCGAN來創造輔助數據集與利用輔助數據集和目標數據集來兩步遷移學習并最終進行軸承故障診斷。

DCGAN的生成器由五層反卷積組成，除了最后一層卷積層之外，其余卷積層后需加上批標準化層（BN）與relu激活函數，第五層卷積的激活函數為tanh。經過五層反卷積，輸入的隨機噪音信號的通道數在第一層卷積增大后逐層下降，最后通道數為1，而1×1的輸入經由五層卷積生成64×64的圖片，生成模型參數如下，DCGAN的判別器主要由五層卷積層組成，在第二層與第三層卷積后加上批標準化（BN）。判別器的前四層卷積后都要通過leaky_relu進行激活，第五層激活函數是sigmoid。輸入判別器的信號通道數為3，輸入為64×64信號，輸出為1×1，DCGAN模型各層參數如表2所示。DCGAN模型訓練的批處理大小batch_size=128，學習率learning_rate為0.000 2，迭代次數為20 000次，模型初始化參數符合均值為0，標準差為0.02的正態分布。

表2 DCGAN各層參數Table 2 DCGAN parameters of each layer

Resnet18的網絡模型如表3所示，為了適應振動數據的形式，實驗中對Resnet18進行了一些改變，改變如下所示：

表3 Resnet18各層參數Table 3 Resnet18 parameters of each layer

（1）將7×7的平均池化層改為了2×2。

（2）將512×1 000的全連接層改為了512×10的全連接結構。通過改動，讓網絡既保留了對于原始振動數據特征的提取能力，同時提升了對于振動數據的適應能力，讓殘差網絡在目標數據源上能夠表現出更優異的性能。在二次的遷移學習過程中，批處理大小batch_size=32，學習率learning_rate=0.000 1，二步遷移學習訓練輪數M=50,N=40。

4.4 實驗過程及分析

為了驗證本文所提出的使用DCGAN來生成輔助數據集，再進行二步遷移學習并進行故障診斷的可行性。本文設計了普通的遷移學習與不使用遷移學習作為對比，普通的遷移學習使用通過ImageNet數據集預訓練Resnet18作為模型，然后通過時頻圖數據集進行遷移學習，其中遷移學習的參數設置與本文所使用二步遷移學習法中在輔助數據集與目標數據集之間進行遷移參數設置相同。不使用遷移學習的則是使用沒有經過Imagenet預訓練的Resnet18使用目標數據集進行訓練。而本文所提出方法的主要流程為：通過融合數據集來訓練DCGAN，在DCGAN的生成器與判別器兩者之間達到納什均衡后，單獨取出生成器來生成格式為3×64×64的融合圖片（數量都是5 000），生成的數據組成為輔助數據集，讓神經網絡先在源數據集與輔助數據集之間進行遷移學習，然后讓模型在輔助數據集與目標數據集間進行二次遷移學習。

在對目標數據集進行預處理過程中，為了探究最合適的滑動窗口，設定滑動窗口為64、128、192、256，設計四組對照實驗，使用相同的DCGAN進行數據擴充且后續進行二次遷移學習來訓練模型，并最終設置相同對照組進行故障診斷測試，最終的測試準確率如表4所示。

表4 滑動窗口數與準確率關系表Table 4 Table between number of sliding windows and accuracy

通過4組對照實驗可以發現，在對照實驗中，當滑動窗口數為由64增加為128時，故障診斷的準確率有所提升，而當滑動窗口數由128逐漸提升為192和256時準確率反而逐漸降低，原因可能是當滑動窗口數過小時，樣本之間差異過小，模型難以正確判斷，而滑動窗口過大時則會造成數據集的樣本數量少，使模型無法得到充分的訓練，所以滑動窗口數在128時，模型可以取得最優的故障診斷率，所以后續的實驗中滑動窗口設定為128。

圖8~10依次為三者分類準確率、召回率、F1值隨迭代次數的變化折線圖。由圖8~10都可以看出，使用了ImageNet進行預訓練的Resnet模型性能要明顯強于不使用ImageNet進行預訓練的Resnet模型。具體在圖8上，不僅準確率提升快，而且最終的準確率也由不使用遷移學習的98.5%提升到99.1%，這表明在軸承故障診斷領域引入遷移學習的有效性，模型通過知識遷移將源域的知識遷移到目標域中，遷移學習的使用，極大地解決了軸承故障領域由于存在的數據量少和分布不均勻導致模型過擬合與泛化性差的問題。

圖8 準確率變化曲線Fig.8 Curve of accuracy change

對于二步遷移學習方法與普通遷移學習方法的性能對比。由圖可知，使用了二步遷移學習方法的模型各項指標提升都遠遠快過使用普通遷移學習方法的模型，而具體到圖8上，在循環輪數為10時二步遷移學習已經達到了99%的準確率，而遷移學習方法則要等到循環輪數為35時才能達到99%的準確率，且由圖8可知，最終的軸承故障分類準確率也由遷移學習的99.11%提升到了二步遷移學習的99.73%，有著0.62個百分點的明顯提高，而本文提出方法在開始時有著幾乎50%的準確率明顯說明了所提出方法能夠克服負遷移效應，且能充分利用源數據集的知識。由圖9、10可知，在召回率與F1值指標上同樣可以看到本文提出的方法具有更優的輔助分類能力，且能在較短的時間內達到收斂。所以為了克服遷移學習在軸承故障診斷領域產生的負遷移效應，可以使用本文提出的DCGAN與二步遷移學習結合的方法。

圖9 召回率變化曲線Fig.9 Recall curve

為了能更加精準地觀察三種方法最終的故障診斷效果，將三種方法的診斷結果通過混沌矩陣圖11~13進行展示，通過結果對比可以清楚地看到，使用遷移學習可以有效提升模型的表現力，但是分布差異大同樣影響著遷移學習的效果，通過本文提出的二步遷移學習法，模型的效果得到了進一步提升，有效地解決了數據分布過大帶來的負面效應。

圖11 二步遷移學習模型的混沌矩陣Fig.11 Chaotic matrix of two-steptransfer learning model

圖12 遷移學習模型的混沌矩陣Fig.12 Chaotic matrix of transfer learning model

圖13 不使用遷移學習模型的混沌矩陣Fig.13 Chaos matrix without transfer learning model

其中可以明顯看出在面對二步遷移學習會出錯的診斷上，遷移學習通常也會出錯，而且有著更高的錯誤率，而且遷移學習會在某些二步遷移學習完全正確的問題上出現錯誤診斷，兩者混沌矩陣的對比可以充分地說明在故障診斷上，本文所提出的方法可以改進遷移學習可能的錯誤，增強遷移學習最終的模型表現力，讓遷移學習的模型具有更高的準確率。

4.5 各類方法對比分析

為了驗證本文提出的基于DCGAN與二步遷移方法的軸承故障診斷方法的有效性，采取兩類機器學習算法RF、EMD_SVM和深度學習算法CNN進行對比實驗論證，RF為將軸承的時域振動信號作為特征，輸入到隨機森林（random forest）進行故障分類，EMD_SVM是通過EMD得到本征模函數，再利用SVM進行故障分類，CNN采取Lenet網絡，將軸承的時域振動信號轉化為時頻圖輸入網絡進行故障診斷，不同方法的診斷結果如表5與圖14所示。

圖14 算法對比圖Fig.14 Algorithm comparison chart

表5 算法對比表Table 5 Algorithm comparison table %

通過表4與圖10可以知道深度學習如二步遷移學習與CNN的診斷準確率普遍高于傳統的機器學習方法，這應當得益于神經網絡優異的自適應特征學習能力與深層非線性映射能力，在較小數據集下依然可以訓練出表現出色的網絡模型，擁有極高的診斷準確率。相比于RF的93.21%，本文提出的二步遷移學習法有著6.52個百分點的提升，主要由于深度學習擁有明顯的特征提取方面的優勢，以及本文方法擁有的從源數據集與輔助數據集遷移學習到的知識，因此才能有著如此的提升，EMD_SVM方法雖然通過了經驗模態分解（EMD）將原始時域信號變成本征模函數后再使用SVM進行故障分類，而且SVM在小樣本診斷領域有著較為優異的表現力，但是與本文方法相比依然有著5.29個百分點的差距，兩種機器學習方法與本文方法之間的診斷準確率的差異充分證明了深度學習強大的特征學習能力與遷移學習對于知識的重復使用的優異表現，相比于CNN取得的98.50%的診斷準確率，本文提出的方法依然有著1.23個百分點的提升，提升的主要原因在于本文所提出的二步遷移學習方法既有遷移學習利用源數據集知識的特性，同時通過輔助數據集的使用有效地避免了負遷移效應的產生，總體來說，相對于機器學習方法RF、EMD_SVM，深度學習方法整體有著更優異的表現，而通過使用輔助數據集與二步遷移學習，本文提出的方法相比普通的CNN則有著更出色的診斷準確率與穩定性。

圖10 F1值變化曲線Fig.10 F1 value change curve

5 結束語

在使用遷移學習進行故障診斷時，考慮到目標數據集與源數據集數據分布之間的巨大差異可能引發的“負遷移”效應，本文提出了二步遷移學習法，其主要通過DCGAN生成輔助數據集，然后先在源數據集與輔助數據集之間進行遷移學習，最后在輔助數據集與目標數據集間二次遷移學習，并最終實現軸承故障診斷，實驗表明，與其他診斷方法相比，本方法具有更好的穩定性與準確度，且模型的收斂速度更快。但是本文依然具有一些不足，如過程過于繁瑣，且使用DCGAN訓練較為困難，模型訓練較難收斂，改進的方向是可以使用更加易于收斂的對抗生成網絡。