基于殘差注意力機(jī)制和子領(lǐng)域自適應(yīng)的時變轉(zhuǎn)速下滾動軸承故障診斷

朱 朋，董紹江，李 洋，裴雪武，潘雪嬌

(重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院，重慶 400074)

滾動軸承作為旋轉(zhuǎn)機(jī)械的關(guān)鍵零部件之一，其健康狀態(tài)直接關(guān)系到設(shè)備的運(yùn)行可靠性，一旦發(fā)生故障，將可能對人員安全與經(jīng)濟(jì)效益產(chǎn)生巨大的影響[1]。通常，旋轉(zhuǎn)機(jī)械由于功率時變而經(jīng)常以時變的速度運(yùn)行，且實際工作環(huán)境對軸承振動信號將會產(chǎn)生較大的干擾[2]。在時變轉(zhuǎn)速、強(qiáng)噪音的變工況環(huán)境下采集到的滾動軸承振動信號存在特征漂移，傳統(tǒng)故障診斷模型泛化性較差，需提出新的智能診斷算法。

階次跟蹤[3]是診斷時變轉(zhuǎn)速軸承故障的主要方法之一，其主要步驟為轉(zhuǎn)速提取、重采樣、階次頻譜分析和故障診斷。但該方法受轉(zhuǎn)速計安裝位置和等角度重采樣精度影響較大，針對此問題，高冠琪等[4]提出了一種基于時頻擠壓的轉(zhuǎn)頻估計方法；趙德尊等[5]提出了基于自適應(yīng)廣義解調(diào)變換的滾動軸承時變非平穩(wěn)故障特征提取方法。但這些方法都存在不足：準(zhǔn)確提取速度的時頻算法在很大程度上依賴于信號處理技術(shù)的先驗知識；即使能夠準(zhǔn)確提取出滾動軸承運(yùn)行時的時變速度，也需要大量的專家知識才能準(zhǔn)確診斷出是否發(fā)生故障。

近年來，隨著計算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展，深度學(xué)習(xí)理論在故障診斷中受到了廣泛的研究。An等[6]針對時變轉(zhuǎn)速工況下滾動軸承的故障診斷問題，受無窮小思想的啟發(fā)結(jié)合長短時記憶(long short-term memory,LSTM)網(wǎng)絡(luò)，提出了基于遞歸神經(jīng)網(wǎng)絡(luò)的時變工況下滾動軸承智能故障診斷算法。Han等[7]針對轉(zhuǎn)速波動對滾動軸承故障識別精度影響較大的問題，提出一種新的深度神經(jīng)網(wǎng)絡(luò)模型，主要創(chuàng)新是采用稀疏過濾提取振動信號特征，并將批歸一化操作添加到每一網(wǎng)絡(luò)層后以減少速度波動的影響。這些智能診斷算法獲取較高準(zhǔn)確率的前提是具有足量的含有標(biāo)簽的訓(xùn)練樣本[8]。但是，在實際工業(yè)環(huán)境中，獲取含有足量標(biāo)簽的故障樣本費(fèi)時費(fèi)力，制約了神經(jīng)網(wǎng)絡(luò)在軸承診斷中的應(yīng)用。

針對以上問題，遷移學(xué)習(xí)把少量含有標(biāo)簽的源域知識遷移到無標(biāo)簽的目標(biāo)域中，使得網(wǎng)絡(luò)模型具有較好的泛化性、魯棒性。Li等[9]提出了基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)的深度遷移框架，通用特征提取器采用多層卷積神經(jīng)網(wǎng)絡(luò)，特定任務(wù)自適應(yīng)層采用多核最大均值差異(multi-kernel maximum mean discrepancies,MK-MMD)度量準(zhǔn)則進(jìn)行源域與目標(biāo)域的自適應(yīng)。較多學(xué)者[10-11]針對變負(fù)載工況下軸承的故障診斷問題提出了遷移學(xué)習(xí)模型，并獲得了較好的診斷效果。但是，強(qiáng)噪音環(huán)境對遷移學(xué)習(xí)任務(wù)的影響，以上文獻(xiàn)未進(jìn)行進(jìn)一步研究。

針對滾動軸承待測樣本在強(qiáng)噪音、時變轉(zhuǎn)速的工況下診斷困難的問題。本文結(jié)合殘差網(wǎng)絡(luò)(residual neural network，ResNet)和通道注意力機(jī)制搭建了殘差通道注意力弱共享網(wǎng)，進(jìn)行通用特征的提取。在源域與目標(biāo)域數(shù)據(jù)分布差異較大時，能使網(wǎng)絡(luò)模型更好的學(xué)習(xí)目標(biāo)域的特征。域自適應(yīng)層采用局部最大均值差異(local maximum mean discrepancy,LMMD)度量準(zhǔn)則進(jìn)行源域與目標(biāo)域的條件分布對齊，在強(qiáng)噪音、時變轉(zhuǎn)速條件下模型具有較好的泛化性、魯棒性。

1 所提方法理論背景

1.1 問題描述

1.2 殘差網(wǎng)絡(luò)(ResNet)

在卷積神經(jīng)網(wǎng)絡(luò)中，隨著網(wǎng)絡(luò)層數(shù)的加深，將會面臨梯度消失、性能退化等問題。針對該問題，學(xué)者He等[12]提出深度殘差網(wǎng)絡(luò)，通過跨層連接來抑制網(wǎng)絡(luò)加深過程中出現(xiàn)性能退化的缺點(diǎn)。殘差單元結(jié)構(gòu)圖如圖1所示，假設(shè)其神經(jīng)網(wǎng)絡(luò)的輸入為x，期望輸出為H(x)，直接將x跨層到后面作為輸出結(jié)果，則學(xué)習(xí)目標(biāo)變成為F(x)=H(x)-x。

圖1 殘差單元示意圖Fig.1 Schematic diagram of residual unit

1.3 最大均值差異

為了實現(xiàn)源域和目標(biāo)域之間的領(lǐng)域自適應(yīng)，需要相應(yīng)的測試統(tǒng)計量來度量分布差異[13]。其中一種較常用的統(tǒng)計量是最大均值差異(maximum mean discrepancy,MMD)，該統(tǒng)計量是度量兩個數(shù)據(jù)集分布差異的非參數(shù)距離指標(biāo)。源域數(shù)據(jù)集Xs和目標(biāo)域數(shù)據(jù)集Xt之間的MMD的平方被定義為

(1)

式中：H為再生核希爾伯特空間(reproducing kernel Hilbert space，RKHS)；φ∶Xs,Xt→H及K(·，·)為高斯核函數(shù)。

(2)

式中，σ為核寬度。

2 殘差注意力機(jī)制和子領(lǐng)域自適應(yīng)的滾動軸承故障診斷模型

考慮強(qiáng)噪音、時變轉(zhuǎn)速下滾動軸承振動信號數(shù)據(jù)特征分布存在漂移，待測樣本不含標(biāo)簽，傳統(tǒng)深度學(xué)習(xí)模型泛化能力差。本文結(jié)合殘差網(wǎng)絡(luò)和注意力機(jī)制的特點(diǎn)，提出了遷移學(xué)習(xí)通用特征提取網(wǎng)絡(luò)，即殘差通道注意力弱共享網(wǎng)絡(luò)；自適應(yīng)層采用LMMD度量準(zhǔn)則減小源域與目標(biāo)域的條件分布差異。

2.1 通道注意力弱共享模塊

現(xiàn)有的大多數(shù)領(lǐng)域自適應(yīng)研究都采用強(qiáng)共享通用特征提取網(wǎng)絡(luò)進(jìn)行遷移特征的提取，并通過相應(yīng)的度量準(zhǔn)則減少特定任務(wù)層中的領(lǐng)域域差異。但是，當(dāng)源域與目標(biāo)域分布差異較大時，完全采用強(qiáng)共享網(wǎng)絡(luò)模型的方法會造成神經(jīng)網(wǎng)絡(luò)模型過多學(xué)習(xí)源域與目標(biāo)域不相關(guān)的特征，不利于目標(biāo)域的遷移學(xué)習(xí)。因為較強(qiáng)的源域監(jiān)督學(xué)習(xí)，網(wǎng)絡(luò)將提取更多與源域相關(guān)的特征，而弱化目標(biāo)域的特征，從而阻礙了領(lǐng)域特定的特征表示學(xué)習(xí)，并導(dǎo)致目標(biāo)域分類錯誤。

為解決上述問題，本文引入通道注意力弱共享模塊(channel attention weak sharing module，CAWSM)，通過保留源域可遷移信息的同時抑制每個領(lǐng)域的無用信息，促進(jìn)卷積層中的特征重新校準(zhǔn)。

本文構(gòu)建的通道注意力弱共享模塊如圖2所示。參考文獻(xiàn)[14]通道注意力網(wǎng)絡(luò)搭建方式。首先，將中間層源域和目標(biāo)域特征嵌入表示為{Xs,Xt}∈H×W×C，其中H,W分別為空間尺寸的高度和寬度，C為通道數(shù)。每個域生成通道描述器為d∈1×1×C，對{Xs,Xt}進(jìn)行全局平均池化以提取每個通道中的整體信息

(3)

式中：dC為第C個通道所有像素的平均值;(i,j)為位置坐標(biāo)。

圖2 通道注意力弱共享模塊Fig.2 Channel attention weak sharing module(CAWSM)

ωs/t=σ{FC[ReLU(FCs/t(ds/t))]}

(4)

式中：σ(·)=1/(1+e-x)為Sigmoid函數(shù)；FC(·)為共享FC層，用于增維的線性變換，而FCs(·)和FCt(·)為源域和目標(biāo)域的單獨(dú)降維變換。注意力權(quán)重ωs,ωt反映了跨域通道的重要性。

然后，通過在通道上將原始特征Xs,Xt分別與多個通道權(quán)重相乘來獲得激活的特征映射，其公式為

(5)

若將圖2中全局池化后源域與目標(biāo)域共享一條數(shù)據(jù)特征流路線，即為通道注意力強(qiáng)共享模塊(channel attention strong sharing module，CASSM)，相關(guān)理論公式與上述類似。

2.2 殘差注意力機(jī)制和子領(lǐng)域自適應(yīng)的滾動軸承故障診斷模型

本文結(jié)合殘差網(wǎng)絡(luò)和通道注意力機(jī)制所提出的強(qiáng)噪音下時變轉(zhuǎn)速無監(jiān)督遷移學(xué)習(xí)網(wǎng)絡(luò)模型，如圖3所示。卷積層運(yùn)算后均進(jìn)行批歸一化(batch normalization，BN)和線性激活(ReLU)操作，圖中進(jìn)行了省略。本文提出的通道注意力弱共享模塊與殘差網(wǎng)絡(luò)的跨層連接形成了殘差通道注意力弱共享模塊，如圖3中所示的3個殘差注意力塊。自適應(yīng)層選擇為全局平均池化后的全連接層，如圖3右上所示，度量準(zhǔn)則采用LMMD。

圖3 所提方法故障診斷網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The proposed method fault diagnosis network structure

本模型的主要診斷流程：首先，將采集到的一維時變轉(zhuǎn)速振動信號利用連續(xù)小波變換(continuous wavelet transform,CWT)生成源域與目標(biāo)域圖像數(shù)據(jù)集；其次，利用本文提出的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行淺層可遷移特征提取；然后，采用LMMD自適應(yīng)度量準(zhǔn)則進(jìn)行網(wǎng)絡(luò)自適應(yīng)層的源域與目標(biāo)域的條件分布差異匹配；最后，進(jìn)行滾動軸承不同故障種類的診斷、識別，并分析不同模型的診斷效果。

訓(xùn)練過程中優(yōu)化的目標(biāo)函數(shù)為

(6)

(7)

式中：m為當(dāng)前訓(xùn)練步數(shù);M為總的訓(xùn)練次數(shù)。

2.3 子領(lǐng)域自適應(yīng)函數(shù)

作為兩個數(shù)據(jù)特征分布之間的非參數(shù)距離估計，基于MMD函數(shù)的域自適應(yīng)方法主要是學(xué)習(xí)全局域移動，即對齊全局的源域分布和目標(biāo)域分布，沒有考慮全局域中兩個子領(lǐng)域之間的關(guān)系(條件分布)，導(dǎo)致遷移學(xué)習(xí)性能不理想，沒有捕捉到細(xì)粒度信息[15]。針對該問題，引入局部最大均值差異

(8)

(9)

(10)

式中,zl為第l層(l∈L={1,2,3，…，|L|})的激活。

3 試驗驗證

為了進(jìn)一步驗證所提方法的有效性與優(yōu)越性，對變速運(yùn)行的軸承進(jìn)行試驗驗證。試驗裝置如圖4所示，由交流驅(qū)動器控制變速電機(jī)驅(qū)動轉(zhuǎn)軸旋轉(zhuǎn)。試驗裝置安裝有兩個軸承來支撐軸，左側(cè)的軸承是健康的，右側(cè)的軸承為不同故障狀態(tài)下的試驗軸承，分別進(jìn)行試驗，即有外圈缺陷、內(nèi)圈缺陷、滾動體缺陷、復(fù)合故障和健康的5類狀態(tài)的軸承，其中復(fù)合故障是內(nèi)圈、外圈和滾動體的綜合故障。右側(cè)軸承殼體上安裝有加速度計，用于收集振動信號。

試驗所采集的一維振動信號總共有60個數(shù)據(jù)集，對于每個數(shù)據(jù)集，有兩個試驗設(shè)置：軸承健康狀態(tài)和變速狀態(tài)。運(yùn)行轉(zhuǎn)速狀態(tài)為增速度、減速、增速度后減速、減速后增速度4種變速狀態(tài)，每種變速狀態(tài)下每類故障軸承做三次試驗。采樣頻率均為200 kHz，采樣持續(xù)時間為10 s[16]。

3.1 時變轉(zhuǎn)速軸承故障數(shù)據(jù)集描述

選取數(shù)據(jù)集中轉(zhuǎn)速數(shù)據(jù)進(jìn)行分析，不同變速階段轉(zhuǎn)速的變化情況，如圖5所示，軸承故障狀態(tài)的振動數(shù)據(jù)具有時變特點(diǎn)。與恒速相比，時變轉(zhuǎn)速下采集到的振動信號幅值隨轉(zhuǎn)速的增加而變大，如圖6所示。

圖6 加速下滾動體故障信號Fig.6 Rolling element failure signal under acceleration

3.2 連續(xù)小波變換時頻圖集生成

由于一維的振動信號樣本長度的局限性，存在輸入數(shù)據(jù)量不足的問題而影響模型診斷精度。小波時頻圖具有較好的時頻分辨能力，可提供振動信號的時域、頻域特征，故將一維振動信號采用連續(xù)小波變換生成本文故障診斷模型所需的圖像集。

圖像集的生成過程如圖7所示。首先，因傳感器采樣頻率較高為200 k，為包含豐富的時域信息，本文從原始振動信號中選取10 240個連續(xù)采樣點(diǎn)為一個樣本；其次，使用CWT將選定的10 240個點(diǎn)轉(zhuǎn)換成時頻圖像，小波基選擇為cmor3-3；最后，因軸承故障引起的共振頻率主要在低頻段，故時頻圖的頻率范圍設(shè)置在0～10 k，將時頻圖像灰度化并轉(zhuǎn)換為模型可輸入的三通道灰度圖，圖片大小為224×224×3。數(shù)據(jù)選取過程中采用滑動窗口的形式，連續(xù)兩段數(shù)據(jù)相差6 000個數(shù)據(jù)點(diǎn)，即重疊區(qū)為4 240個數(shù)據(jù)點(diǎn)。

圖7 生成灰度圖的流程圖Fig.7 Diagram of the process of generating grayscale images

為進(jìn)一步說明CWT的優(yōu)越性，采用短時傅里葉變換(short-time Fourier transform，STFT)進(jìn)行對比分析說明，將不同方法生成的時頻圖采用典型的CNN網(wǎng)絡(luò)(3.3節(jié)中的模型M1)進(jìn)行分類識別，診斷精度如表1所示。由表1可知，STFT由于時頻窗口固定，時頻域內(nèi)的故障信息分辨率較低難以完全展現(xiàn)時頻域信息，導(dǎo)致CNN模型診斷精度較低。采用CWT的時頻圖集方法在兩個遷移任務(wù)中均獲得較高的識別精度，說明了本文CWT的時頻表達(dá)的優(yōu)異性。試驗中詳細(xì)細(xì)節(jié)見3.3節(jié)。

表1 不同時頻圖生成方法的診斷精度Tab.1 Diagnosis accuracy of different time-frequency diagram generation methods %

3.3 遷移故障診斷性能分析

為驗證本文算法的有效性與優(yōu)越性，將進(jìn)行對比試驗驗證分析。表2為本文所提模型網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表。

對比模型一(M1)為傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型CNN，主要含有三層卷積操作，每層卷積后進(jìn)行BN、ReLU及步長為2的最大池化操作，最后為兩個FC全連接層。

對比模型2(M2)為圖像集預(yù)訓(xùn)練ResNet-50，在全局池化后添加兩層全連接層進(jìn)行微調(diào)遷移學(xué)習(xí)。

模型6(M6)為本文提出的方法，詳細(xì)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表2所示。

表2 所提模型網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表Tab.2 The proposed model network structure parameter table

對比模型3(M3)是將M6模型中的自適應(yīng)度量準(zhǔn)則替換為MMD，其余網(wǎng)絡(luò)結(jié)構(gòu)保持不變。

對比模型4(M4)是將M6模型中的自適應(yīng)度量準(zhǔn)則替換為Coral，其余網(wǎng)絡(luò)結(jié)構(gòu)保持不變。

對比模型5(M5)是將M6模型中的通道注意力弱共享(CAWSM)模塊替換為通道注意力強(qiáng)共享(CASSM)模塊，即通用特征提取層為強(qiáng)共享網(wǎng)絡(luò)結(jié)構(gòu)。

3.3.1 試驗一：不同變速狀態(tài)下遷移故障診斷

在工程實際中，由于機(jī)械設(shè)備功率的變化會造成軸承運(yùn)行在波動的速度下，因此，源域與目標(biāo)域為不同時變速度下采集到的振動信號。為模擬遷移學(xué)習(xí)任務(wù)，根據(jù)不同的變速情況分為4個全局域(IN、DE、INDE、DEIN)，每個全局域包含5類狀態(tài)數(shù)據(jù)，即5個子領(lǐng)域，分別為正常(NO)、內(nèi)圈故障(IF)、外圈故障(OF)、滾動體故障(BF)、復(fù)合故障(CF)。每種故障類型生成300個灰度圖像樣本集，即每種變速階段共含有1 500張灰度圖。不同模型診斷平均精度及標(biāo)準(zhǔn)差如表3所示，遷移任務(wù)IN→DE表示IN為源域，DE為目標(biāo)域。

不同模型的診斷精度結(jié)果如表3所示。由表3可知，所有模型中CNN診斷效果最差，一方面，是三層的卷積網(wǎng)絡(luò)難以提取深層次故障特征；另一方面，采用域自適應(yīng)遷移學(xué)習(xí)故障診斷方法，可以將源域?qū)W習(xí)到的知識直接傳遞給目標(biāo)域，提高模型的故障診斷效果，故方法3～方法5診斷效果較好。在所有對比方法中，本文提出的方法在不同遷移任務(wù)中平均診斷精度最高，為99.85%，標(biāo)準(zhǔn)差最小，為0.18%，說明本文采用的域自適應(yīng)度量準(zhǔn)則LMMD通過匹配源域與目標(biāo)域的條件分布差異，即采用軟偽標(biāo)簽考慮不同子領(lǐng)域的分布差異。相對于MMD準(zhǔn)則、Coral準(zhǔn)則考慮全局域的邊緣分布，具有更好的自適應(yīng)性能，故本文提出方法相對于其他模型具有較好的泛化性能和魯棒性。模型M1～M6的故障診斷的平均正確率均達(dá)到94.94%以上，主要由于每個模型中卷積運(yùn)算后均進(jìn)行了批歸一化(BN)操作，BN操作能一定程度的抑制速度變化的引起的振動信號幅值波動。進(jìn)一步通過對比模型M5和M6的診斷效果可知，本文提出的弱共享通用特征提取網(wǎng)絡(luò)在強(qiáng)共享通用特征提取網(wǎng)絡(luò)的基礎(chǔ)上診斷率有所提高，主要原因是強(qiáng)共享網(wǎng)絡(luò)結(jié)構(gòu)存在過多學(xué)習(xí)源域，弱化目標(biāo)域相關(guān)特征的不足，其較優(yōu)的性能在后面的對比試驗將進(jìn)一步行說明。

表3 不同模型的診斷精度Tab.3 Diagnostic accuracy of different models %

3.3.2 試驗二：強(qiáng)噪音、變轉(zhuǎn)速狀態(tài)下遷移故障診斷

在實際的工業(yè)生產(chǎn)環(huán)境中，被診斷的機(jī)械設(shè)備往往工作環(huán)境比較惡劣，采集到的信號容易受到其他設(shè)備或周圍環(huán)境的影響，不可避免地帶來噪音。但是，實驗室的環(huán)境相對干凈，所受到的其他干擾相對較少，采集到的振動數(shù)據(jù)受噪音的影響較小。因此，有必要研究本文提出的無監(jiān)督遷移學(xué)習(xí)方法在嘈雜環(huán)境下的遷移性能。主要以目標(biāo)域為DEIN的三個遷移任務(wù)為診斷對象，源域不添加噪音信號，目標(biāo)域添加高斯白噪音信號，信噪比(signal-to-noise ratio，SNR)為-6～2 dB，詳細(xì)細(xì)則參考Li等的研究。選擇M2、M4、M5與本文所提方法M6進(jìn)行對比分析，不同模型在不同遷移任務(wù)中的診斷精度如圖8所示。

圖8 強(qiáng)噪音環(huán)境下不同模型的診斷精度Fig.8 The diagnostic accuracy of different models in a strong noise environment

由圖8可知，本文提出的方法在不同噪音水平下均能獲得較高的平均診斷精度，信噪比在-6 dB以上時，平均診斷精度能保持在90%以上。源域與目標(biāo)域含有一定范圍的噪音差異時，模型的診斷精度波動相對較小，表明本文提出的方法在源域與目標(biāo)域分布差異較大時，仍具有較強(qiáng)的泛化性、魯棒性。

3種遷移學(xué)習(xí)任務(wù)中，模型M2的識別精度最低，一方面由于采用微調(diào)網(wǎng)絡(luò)的遷移學(xué)習(xí)方法對不同噪音水平下時變轉(zhuǎn)速故障診斷泛化能力較差，越強(qiáng)的高斯白噪音干擾，數(shù)據(jù)特征分布差異越大；另一方面本文提出的殘差通道注意力弱共享模型不僅具有殘差網(wǎng)絡(luò)的特點(diǎn)，能在網(wǎng)絡(luò)模型加深過程抑制梯度消失，還具有通道注意力機(jī)制的特點(diǎn)，能夠?qū)崿F(xiàn)不同特征加權(quán)表達(dá)的特點(diǎn)。弱共享網(wǎng)絡(luò)結(jié)構(gòu)更能有效提取強(qiáng)噪音環(huán)境下振動數(shù)據(jù)的故障特征，提高模型的平均診斷精度。

采用局部最大均值差異的遷移學(xué)習(xí)方法能較好的匹配子類任務(wù)的條件分布差異，捕獲源域與目標(biāo)域的細(xì)粒度差異，提高模型的診斷精度，而Coral度量準(zhǔn)則在強(qiáng)噪音下匹配源域與目標(biāo)域的效果較差，故M5，M6在所有遷移任務(wù)中診斷精度較高。

對比模型M5，M6可知，本文提出的弱共享通用特征提取層在源域與目標(biāo)域差異數(shù)據(jù)特征分布差異較大時，效果提升效果相對較明顯，在噪音水平為-6 dB時，兩者分類精度相差4%左右。主要是弱共享通用特征提取層在學(xué)習(xí)可遷移信息的同時，可以抑制過多保留源域無用信息來促進(jìn)卷積層中的特征重新校準(zhǔn)，進(jìn)而強(qiáng)化目標(biāo)域的相關(guān)特征。

為進(jìn)一步說明本文提出的遷移學(xué)習(xí)方法特征對齊能力，選取遷移任務(wù)INDE-DEIN中-2 dB噪音下4個模型進(jìn)行t-SNE可視化操作，如圖9所示。由圖可知，本文引入的LMMD通過子領(lǐng)域自適應(yīng)，能最大限度的分開不同種類的故障，但受噪音的影響，復(fù)合故障與滾動體故障、內(nèi)圈故障存在混疊。

圖9 -2 dB噪音下遷移任務(wù)INDE-DEIN的不同模型特征可視化Fig.9 Visualization of different model features of the transfer task INDE-DEIN under -2 dB noise

4 結(jié) 論

針對強(qiáng)噪音、時變轉(zhuǎn)速下滾動軸承故障數(shù)據(jù)特征分布存在漂移、傳統(tǒng)模型泛化性差的問題，提出了一種基于殘差注意力機(jī)制和子領(lǐng)域自適應(yīng)的時變轉(zhuǎn)速下滾動軸承故障診斷無監(jiān)督遷移學(xué)習(xí)方法，并進(jìn)行了試驗驗證，得出以下相關(guān)結(jié)論：

(1)結(jié)合殘差和注意力機(jī)制特點(diǎn)提出的殘差注意力弱共享模型能有效提取出強(qiáng)噪音、時變轉(zhuǎn)速環(huán)境下的故障特征，比僅用殘差網(wǎng)絡(luò)效果較好。

(2)本文提出的弱共享殘差注意力機(jī)制通用特征提取模型相比于強(qiáng)共享策略，能更好的保留目標(biāo)域相關(guān)特征，抑制網(wǎng)絡(luò)模型過多學(xué)習(xí)源域的特征，能在源域與目標(biāo)域數(shù)據(jù)特征分布差異較大時，更好進(jìn)行源域與目標(biāo)域的遷移學(xué)習(xí)。

(3)網(wǎng)絡(luò)自適應(yīng)層采用局部最大均值差異進(jìn)行域自適應(yīng)度量，通過利用偽標(biāo)簽以匹配不同域的條件分布，能較好的縮小子類任務(wù)的特征差異，捕獲源域與目標(biāo)域的細(xì)粒度差異，提高模型的診斷精度。

(4)通過不同模型在強(qiáng)噪音、時變轉(zhuǎn)速工況下滾動軸承診斷性能的分析，驗證了本文提出方法的優(yōu)越性，且相比于其他模型具有較好的泛化性、魯棒性。