基于深度特征提取和對抗域適應網絡的滾動軸承故障診斷＊

陳 凱 張禮華 趙 恒 陳景銘

（江蘇科技大學機械工程學院，江蘇 鎮江 212003）

根據對離心機及其他旋轉機器的故障進行研究發現，軸承故障是旋轉設備的高頻常發故障，有案例表明45%～55%的設備故障都是由軸承引起的[1]。軸承故障會引發旋轉設備的異常振動和其他一系列問題，甚至引發安全事故。

近幾年隨著計算機技術的發展，對軸承故障的診斷技術也在快速提升。基于深度學習的故障診斷方法能自適應提取特征，優于其他淺層診斷模型，在智能故障檢測領域取得了重大進展[2]。宋霖等人采用卷積神經網絡對軸承進行故障診斷，并獲得了良好的診斷準確率[3]。但傳統的卷積模型存在卷積核設置過小，無法將全部的故障波動噪波納入感受野的問題，同時實際生產中大多情況下軸承都處于變工況的工作狀態，普通的診斷模型在這種情況下的診斷效率不太理想。

在變工況故障診斷領域中，存在源域與目標域分布間的特征分布不一致，導致故障診斷準確率降低的問題。為解決這一問題，眾多學者從深度遷移學習中域適應的角度提出了解決方法。Tzeng E等人采用最小化最大均值差異（maximum mean discrepancy, MMD）距離的方法，縮小源域與目標域之間的距離，達到跨域診斷的效果[4]。Sun B等人采用相關對齊（CORAL）作為一種度量，對齊多層特征故障分布的二階統計量來減小源域與目標域之間的差異[5]。吳耀春等人提出了一種基于對抗域自適應卷積神經網絡（ADACNN），首先構造了一個權值共享的CNN網絡，其次在源域與目標之間引入MMD進行域自適應達到了較高的診斷準確率[6]。Yaroslav G等人提出對抗域適應網絡模型（domain-adversarial training of neural networks，DANN）[7]，用以解決源域與目標域分布不一致的問題。目前DANN在故障診斷中的應用主要集中在構建對抗域適應網絡上，而對前期的特征提取部分關注較少，且通常會忽略振動信號中蘊含的時序信息。

基于上述分析，本文提出了一種基于深度特征提取和對抗域適應的變工況滾動軸承故障診斷方法。其主要內容如下：

（1）提出了一種基于深度特征提取網絡與對抗域適應的變工況滾動軸承故障診斷方法，該方法基于首層采用寬卷積核的卷積神經網絡與長短時記憶網絡結合的深度特征提取網絡，同時在源域與目標域之間引入DANN網絡實現對抗域適應，解決了源域數據與目標域數據之間的特征分布偏移導致的診斷網絡性能下降問題。

（2）提出了一種深度特征提取網絡，對卷積神經網絡進行改進，首層使用寬卷積核獲取高頻特征、截獲所需的異常波動，使用多層小卷積核獲取低頻特征、使網絡具有更強的深度學習能力，同時在網絡中接入LSTM以提取信號中的時序信息。

（3）在DANN中的類別預測器與域分類器中，提出增加一層全局平均池化層，優化了網絡模型，減少了模型參數，避免過擬合。

1 理論基礎

1.1 卷積網絡結構

卷積網絡主要由卷積層、激活層和池化層等構成。CNN網絡已廣泛應用于文本圖像的識別與分類。但傳統的CNN網絡，卷積核設置過小，處理軸承的一維振動信號時難以將軸承故障點的全部信號完全納入感受范圍，易出現特征提取不完全問題。針對這一問題，提出一種首層采用寬卷積核與多層小卷積核結合的卷積網絡。其網絡結構如表1所示。第一層采用寬卷積核，讓所需的異常波動能夠在卷積時被截獲，同時也利于從高頻噪聲信號中提取振動信號的短時特征，其余的卷積層卷積核大小均采用小卷積核，以提取信號中的低頻特征。以小卷積核進行多層卷積，有利于加深網絡，抑制過擬合[8]。

表1 網絡結構參數

卷積層的作用是通過卷積核對信號的局部區域進行卷積，輸出相應的特征：

激活層的作用是在卷積運算后使用修正單元ReLU激活函數將原本線性不可分的多維特征映射到另一空間，增強網絡的表達能力和學習能力。

式中：al(i,j)表示卷積層輸出yl(i,j)的激活值。

池化層又稱降采樣層，使用最大池化將感知域中的最大值作為輸出，以減少前一層神經元的特征和參數的空間大小。

式中：al(i,t)表示第l層第t個神經元的激活值。

1.2 LSTM網絡結構

循環神經網絡（recurrent neural network，RNN）能夠有效地處理序列變化的數據。傳統的RNN網絡存在易產生梯度消失和爆炸的問題。這里引入RNN的一種變體長短時記憶網絡（long short term memory network, LSTM）。

LSTM具有特殊的“門”結構，門單元選擇性地讓信息通過，決定著數據的更新與丟棄。如圖1所示，一個LSTM網絡具有輸入門、遺忘門和輸出門3個門單元。這樣的網絡結構讓網絡非常適合處理通過時間序列數據的分類問題。

圖1 長短時神經網絡

1.3 對抗域適應網絡

在遷移學習中，引入域的概念。將數據集分為源域（source domain）數據集與目標域（target domain）數據集。源域數據是已知有標簽的，目標域數據是未知需要實現分類的。源域與目標域之間分布不同，但存在一定聯系。這里本文引入DANN的概念，構建一個域分類器和類別分類器。利用源域數據為源域建立一個分類器，但是由于目標域數據本身沒有標記，無法通過常規方法為目標域構建分類器，這時候域適應就可以發揮作用了，在同一個特征空間中源域和目標域的分布不同，假設兩者分布相同，那么就可以直接利用源域分類器對目標域數據進行分類。

DANN的網絡結構如圖2所示，其由3個部分組成，即特征提取器、類別預測器和域分類器。

圖2 DANN（對抗域適應）網絡模型

首先輸入信號x會經過以 θf為權重的特征提取器，信號會被映射為一個D維的特征向量。其次DANN會分為以 θy為權重的類別預測網絡Gy(x;θy)和以 θd為權重的域分類網絡Gd(x;θd)。源域數據輸入對應的特征向量會經過Gy(x;θy)的映射獲得對應軸承的分類標簽預測結果，同時不管是源域輸入還是目標域輸入的特征向量都會經過Gd(x;θd)得到每個輸入的域分類結果。則類別預測網絡的損失如式（4）所示。

域分類網絡的損失為

在訓練模型時要實現兩個目標：第一個目標是能夠準確的將源域數據進行分類，即使類別預測網絡分類誤差最小化；第二個目標則是讓域分類器無法識別數據來自哪個域，即最大化域分類誤差。在訓練模型的過程中實現兩個損失之間的相互平衡。則DANN的損失函數即可以定義成

式中：n為總樣本數；ns為源域的樣本數量；nt為目標域的樣本數量。

DANN網絡的任務是使分類誤差最小化，即使得類別分類損失最小化。

另一個任務是使域分類損失最大化。

在訓練器時，域分類器與類別預測器相互對抗，當訓練完成時，實現兩個損失之間的相互平衡。

對抗域適應網絡在訓練過程中，模型參數的梯度更新公式為

2 基于深度特征提取和對抗域適應網絡的滾動軸承故障診斷方法

特征提取網絡對軸承特征提取不夠全面的情況下會降低診斷效率，現在常用的特征提取網絡忽略了軸承振動信號中蘊含的時序信息。以及變工況情況下，相同的軸承故障，會出現故障特征相同但分布不同的情況，不同負載下的振動信號有較明顯差異，這也導致了傳統故障診斷方法診斷效率低的問題。

對此本文提出一種基于深度特征提取與對抗域適應結合的方法。在特征提取部分，提出一種基于首層采用寬卷積核的卷積網絡，同時融入長短時記憶神經網絡提取網絡中被忽略的時序信息，確證能夠充分提取到軸承振動信號的特征，供類別預測器使用，以完成高水平的分類任務。其網絡結構參數如表2所示。

表2 特征提取網絡結構參數

特征提取網絡由4層卷積層、2個LSTM層，其中卷積層第一層是64×1的大卷積核，其余為3個3×1的小卷積核。

同時本方法針對不同負載下相同故障的振動信號分布存在差異的情況，引入域適應與域對抗的概念。將某一負載下已有標簽的振動信號視為源域，將另一負載在未知標簽的振動信號作為目標域。變工況情況下故障診斷效率低的原因為不同工況下振動信號的特征空間相同，但特征分布不同。假如兩者分布相同，則可利用某一工況下的故障類別預測器對另一工況下的故障進行分類。故在網絡中引入梯度反轉層（gradient reversal layer，GRL），搭建對抗域適應網絡，消除分布差異，以實現借助具有充足標記數據的源域信號，對無標記的目標域數據進行分類。其具體結構如圖3所示。

圖3 所提模型的結構圖

類別預測器利用特征提取網絡提取的信息對樣本進行分類，域分類器判斷數據來源。其中在類別預測器和域分類器中增加了一層全局平均池化層，這樣減少了模型中的大量參數，避免模型過擬合。全局平均池化的計算過程為

式中：h()代表全連接運算函數,是全局平均池化層和全連接層之間的訓練參數。

在輸出層，Softmax分類器會輸出每一個樣本的標簽概率，實現對源域數據的標簽進行預測。

式中：ws和bs是全連接層和輸出層之間的參數。

3 實驗驗證

3.1 數據選擇

實驗中選擇的是西儲大學的公開軸承數據集，該數據集是目前使用最為廣泛的數據之一。數據集中包含0～3 hp不同負載下的4種軸承故障，每種負載下又包含內、外圈故障、滾子故障和正常狀態4種不同健康狀態，以及7、14和21密爾3種不同的故障級別，采樣頻率為12 kHz。因此每種負載下對應10種健康狀態。

為對比添加了對抗域適應網絡與未添加對抗域適應網絡的區別，設置了分別以某一負載下的振動數據為源域數據，另一負載下的振動數據為目標域的遷移任務，本文采用隨機組合的方式設置了如下的遷移任務，如表3所示。

表3 遷移任務

其中任務A為同域下的故障診斷，以測試同一域下網絡的診斷能力。

對數據進行預處理，利用EEMD對軸承的原始信號進行分解與重構，在一定程度上消除噪聲與諧波的干擾。每種健康狀況中選取100個樣本作為訓練集、80個樣本作為驗證集，每個樣本截取包含2 048個數據點的軸承振動信號。訓練批次大小為40，通過貝葉斯優化算法，確定學習率為0.000 2，訓練頻次為70，權重衰減系數為0.000 5。

3.2 實驗結果

為了表明深度特征提取網絡在對軸承數據進行特征提取時良好效果，對第一層卷積層之后的特征和經過深度特征提取網絡之后的特征，運用t-SNE進行特征可視化，其結果如圖4、5所示，圖中每一種圖例代表一種故障類型，如0.007 RF表示損傷為0.007英寸的滾動體故障。

圖4 特征提取前

由圖5可以看出，一維的軸承振動數據在經過特征提取網絡后很好地完成了10種故障信號的聚類。

圖5 特征提取后

未進行對抗域適應時的故障診斷結果如表4所示。

表4 未進行對抗域適應時故障診斷結果

實驗結果表明只在基于深度特征提取的分類模型下進行跨域的故障診斷效果不理想。在同一工況下，該網絡的故障識別能達到98.5%的準確率，而當在用一個工況下訓練的模型對另一工況下的軸承數據進行跨域診斷時，其準確率較低。

添加了對抗域適應后的故障診斷結果如表5所示。

表5 添加了對抗域適應后的故障診斷結果

實驗結果表明，同一工況下故障診斷的準確率較好，能達到99.3%。不同工況下的跨域診斷也由之前不到90%的準確率，提升到了98%以上。以遷移任務B為例，未添加對抗域適應網絡時以工況1（0 hp）訓練的故障診斷模型對工況2（3 hp）的故障信號進行診斷時，診斷效率僅為80.2%，添加了對抗域適應后故障診斷率為98.6%。表明了本文所提方法有效地增強了跨域診斷能力，能夠實現變工況下的故障診斷。

為進一步表明本文所提方法在對軸承變工況情況下故障診斷的有效性，分別將SVM、WDCNN、普通的DANN、BPNN與本文所提方法作比較，得出結果如圖6所示。結果表明本文所提方法在變工況情況下對軸承故障的診斷準確率均高于實驗對比的其他方法。

圖6 不同模型準確率對比

為更直觀地體現變工況情況下本文所提模型的診斷效果，選取0 hp作為源域，3 hp作為目標域這組實驗，運用t-SNE進行可視化。特征可視化對比如圖7、8所示。從圖可以看出添加了對抗域適應算法后的源域和目標域相同的故障特征由之前的不聚合變成聚合，這表明在對抗域適應的作用下，本文所提方法能夠有效提取到既適用于源域又適用于目標域的可遷移特征，源域的類別預測器也可用于目標域故障的分類。這也再次表明了，本文的模型可有效解決變工況下軸承故障診斷效率低的問題。

圖7 未添加對抗域適應

圖8 添加對抗域適應

4 結語

本文提出了基于深度特征提取和對抗域適應網絡的變工況滾動軸承故障診斷方法，用于解決軸承的變工況智能診斷問題。

所述方法以軸承的一維振動信號作為輸入，通過設計改進卷積神經網絡和LSTM組成的深度特征提取器完成對振動信號的深層次挖掘，同時在類別預測器與域分類器之間添加梯度反轉層實現對抗域適應。在數據集上驗證了本文所提方法在特征提取與變工況情況下的軸承智能診斷的有效性。并基于對比實驗的原則，將本文所提模型與其他淺層模型以及其他域適應模型作對比實驗，結果表明本文所提方法更具有優越性。