偽標(biāo)簽驅(qū)動局部子空間對齊的跨域故障診斷方法

張 猛, 王 波,2, 徐 浩, 楊文龍, 汪 超

(1. 安徽理工大學(xué) 機械工程學(xué)院,安徽 淮南 232001;2. 滁州學(xué)院 機械與電氣工程學(xué)院,安徽 滁州 239000)

機械設(shè)備越來越趨向于大型化、精密化、復(fù)雜化,為了避免機械設(shè)備運行故障引發(fā)經(jīng)濟損失以及重大事故,機械設(shè)備故障診斷面臨著嚴(yán)峻挑戰(zhàn)。目前針對機械智能故障診斷方法,學(xué)者們以傳統(tǒng)的機器學(xué)習(xí)[1]、深度學(xué)習(xí)[2]以及遷移學(xué)習(xí)[3]等人工智能方法為依托,以機械故障診斷問題為出發(fā)點,開展了大量深入研究。

相較于傳統(tǒng)的機器學(xué)習(xí)方法如支持向量機(support vector machine, SVM)、相關(guān)向量機 (relevance vector machine, RVM)[4],能夠自動實現(xiàn)深層特征提取的深度學(xué)習(xí)和遷移學(xué)習(xí)模型被更廣泛地應(yīng)用于智能故障診斷領(lǐng)域。然而,實際工況下數(shù)據(jù)標(biāo)注成本高以及設(shè)備故障類型復(fù)雜[5],導(dǎo)致無法有效獲取大量有標(biāo)簽故障樣本。人為創(chuàng)建額外的有效樣本用于模型訓(xùn)練,可以在原始訓(xùn)練數(shù)據(jù)集較少的情況下實現(xiàn)較高的診斷準(zhǔn)確率。Li等[6]研究了兩種增強方法,包括基于樣本的增強方法和基于數(shù)據(jù)集的增強方法,如附加高斯噪聲、掩蔽噪聲、信號平移、振幅偏移和時間拉伸等。

然而,在保證數(shù)量的前提條件下,由于機器設(shè)備運行環(huán)境具有復(fù)雜性以及故障程度呈現(xiàn)差異化,直接導(dǎo)致無標(biāo)簽?zāi)繕?biāo)域數(shù)據(jù)集與用于訓(xùn)練的有標(biāo)簽源域數(shù)據(jù)集存在著較大分布差異[7],仍難以保證模型遷移具有較高的智能故障診斷準(zhǔn)確率。

為了解決上述問題,越來越多的學(xué)者關(guān)注于能夠?qū)崿F(xiàn)自動對齊源域和目標(biāo)域數(shù)據(jù)偏差的無監(jiān)督領(lǐng)域自適應(yīng)[8](domain adaptation, DA)方法。陳祝云等[9]提出了一種增強遷移卷積神經(jīng)網(wǎng)絡(luò),通過引入對抗訓(xùn)練最小化源域與目標(biāo)域特征分布差異,改進了機械設(shè)備在變工況下的診斷精度和泛化能力。針對標(biāo)記樣本和未標(biāo)記樣本的不足極大地限制了故障診斷方法的性能等問題,He等[10]提出了一種基于Wasserstein距離的生成對抗網(wǎng)絡(luò)和最小奇異值分解的深度遷移學(xué)習(xí)方法,同時該方法在跨域故障診斷過程中也提高了域自適應(yīng)的能力。Liu等[11]針對部分域適應(yīng)問題提出了一種集成和共享的選擇性對抗網(wǎng)絡(luò)(ensemble and shared selective adversarial networks, ES-SAN)。在網(wǎng)絡(luò)中引入一個關(guān)聯(lián)層來關(guān)聯(lián)每個樣本的類和域信息,構(gòu)建了基于單智能模型的共享模塊,可以在分類器和具有多子域判別能力的判別器之間進行轉(zhuǎn)換。Lu等[12]提出了一種具有域自適應(yīng)能力的深度卷積神經(jīng)網(wǎng)絡(luò)模型,該模型通過將源域和目標(biāo)域數(shù)據(jù)映射到高維可再生核希爾伯特空間,采用最大均值差異(maximum mean discrepancy, MMD)度量來減少源域和目標(biāo)域樣本分布差異。Wang等[13]彌補了相關(guān)對齊(correlation alignment,CORAL)在匹配過程中忽略域期望之間差異的不足,提出了一種新的特征相關(guān)匹配(feature correlation matching, FCM)方法,并進一步將其作為目標(biāo)函數(shù)提出了深度特征相關(guān)匹配網(wǎng)絡(luò)(deep feature correlation matching network, DFCMN)。胡若暉等[14]提出一種有效利用少量樣本數(shù)據(jù)實現(xiàn)領(lǐng)域自適應(yīng)的遷移學(xué)習(xí)模型,通過對抗領(lǐng)域自適應(yīng)網(wǎng)絡(luò)(domin-adversarial neural networks, DANN)將源域與目標(biāo)域特征投射到同一特征空間,實現(xiàn)了多領(lǐng)域特征提取與適配。然而,上述領(lǐng)域自適應(yīng)方法旨在強制對齊源域和目標(biāo)域的特征全局分布,卻未充分考慮源域和目標(biāo)域間同類別特征分布的關(guān)系,丟失了子類特征的細(xì)粒度信息。

因此,為了充分利用子類特征的細(xì)粒度信息對齊子空間,實現(xiàn)更準(zhǔn)確的智能故障診斷,提出了一種偽標(biāo)簽驅(qū)動局部子空間對齊實現(xiàn)跨域故障診斷的方法。通過輸出偽標(biāo)簽概率分布計算局部最大均值差異對齊源域和目標(biāo)域,同時對齊源域和目標(biāo)域的相關(guān)子空間,進而實現(xiàn)在不同工況下的智能故障診斷。主干網(wǎng)絡(luò)采用卷積神經(jīng)網(wǎng)絡(luò) ( convolutional neural network, CNN)[15]作為特征提取器提取故障特征,通過瓶頸層降低特征維度減少參數(shù)數(shù)量,最后通過分類器診斷故障類型。為了提高模型的收斂性,該方法通過遷移經(jīng)過預(yù)訓(xùn)練的模型為目標(biāo)域無標(biāo)簽樣本計算其偽標(biāo)簽的概率分布,聯(lián)合計算目標(biāo)域樣本與源域樣本類中心的余弦相似度為目標(biāo)域無標(biāo)簽樣本計算偽標(biāo)簽概率分布,同時在模型的不同位置計算局部最大平均差異(local maximum mean difference, LMMD)[16],通過梯度下降方法降低源域和目標(biāo)域相同故障特征的分布差異,同時對齊源域與目標(biāo)域間的全局空間和相關(guān)子空間。通過計算偽標(biāo)簽概率分布來計算LMMD,降低源域與目標(biāo)域相同故障類型的特征分布差異,從而實現(xiàn)高效智能故障診斷。通過與其他方法進行比較,所提方法在公開數(shù)據(jù)集和試驗條件下采集的數(shù)據(jù)集上均達到了最高的故障診斷準(zhǔn)確率,證明了所提方法的優(yōu)越性和有效性。

1 理論分析

1.1 問題定義

對于無監(jiān)督領(lǐng)域自適應(yīng)問題,假定:源域數(shù)據(jù)Ds有標(biāo)簽,目標(biāo)域Dt數(shù)據(jù)無標(biāo)簽,并且源域和目標(biāo)域數(shù)據(jù)服從不同的概率分布P(xs,ys)和Q(xt,yt),此外假設(shè)源域和目標(biāo)域具有相同故障類型即具有相同的標(biāo)簽空間,則源域和目標(biāo)域可以定義為

(1)

(2)

E(F)=E(x,y)～Q[F(x)≠y]

(3)

因此,該網(wǎng)絡(luò)模型全局損失函數(shù)可以定義為

(4)

式中,η>0為平衡參數(shù)計算為

(5)

式中:ξ=10;β為訓(xùn)練開始后,訓(xùn)練進度從0變?yōu)?。

Ldimmd為該模型全局的局部最大平均差異自適應(yīng)損失;LM為該網(wǎng)絡(luò)模型對源域數(shù)據(jù)的分類損失,LM定義為

(6)

式中,J(.,.)為交叉熵?fù)p失函數(shù),且式(6)為預(yù)訓(xùn)練階段的目標(biāo)優(yōu)化函數(shù)。

1.2 局部最大均值差異

MMD被廣泛運用于度量兩個域的分布偏差,然而以往基于MMD的深度遷移學(xué)習(xí)故障診斷方法主要關(guān)注于全局分布對齊,忽略了不同域相同子空間的細(xì)粒度信息。實際上,利用不同域的相關(guān)子空間之間的關(guān)系對相同子空間進行分布對齊,不僅可以匹配全局分布,還可以匹配局部偏差[17]。因此為了同時對齊全局和相關(guān)子空間,所提方法通過計算偽標(biāo)簽屬于每一類的概率分布,進而引入了LMMD。在考慮不同樣本權(quán)重的情況下,通過反向傳播,最小化源域和目標(biāo)域在相關(guān)局部子空間上的條件分布差異,同時最小化核平均嵌入之間的核希爾伯特范數(shù),實現(xiàn)子域自適應(yīng)。LMMD計算公式為

(7)

式中:H為通過高斯核函數(shù)K(·)映射的可再生核希爾伯特空間;φ(x)為將樣本映射到核希爾伯特空間的特征映射;K(xs,xt)=〈φ(xs),φ(xt)〉,其中〈.,.〉為向量內(nèi)積;C為樣本的故障類型個數(shù);w為樣本屬于第C類的權(quán)值,其值計算如下

(8)

(9)

式中,zl為在模型特定位置處提取的特征向量。

1.3 主干網(wǎng)絡(luò)

CNN可以從原始振動信號中自動提取故障特征,同時深度卷積神經(jīng)網(wǎng)絡(luò)具有多層非線性映射能力,可以提高智能故障診斷準(zhǔn)確率。此外,與小核相比,寬核能夠更好地抑制高頻噪聲,因此,該網(wǎng)絡(luò)采用了擴寬淺層網(wǎng)絡(luò)卷積核的方式,實現(xiàn)快速提取更多的故障特征,進而提高故障特征識別率以及計算效率。為了提高深層網(wǎng)絡(luò)的非線性映射能力,對于深層結(jié)構(gòu)采用較小卷積核以提高檢測精度。該主干網(wǎng)絡(luò)結(jié)構(gòu)包括特征提取器、瓶頸層和分類器。模型結(jié)構(gòu)如圖1所示。

圖1 主干網(wǎng)絡(luò)

其中,特征提取器由四層卷積塊、Flatten層和一個線性全連接層組成;線性全連接層和瓶頸層類似,由隱藏線性層、激活函數(shù)和Dropout操作組成。分類器層為Sofmax函數(shù),輸出分類結(jié)果。每一個卷積塊由四步操作構(gòu)成,分別為卷積運算(Conv)、歸一化處理、激活函數(shù)以及池化操作(Polling)。前三層卷積使用最大池化層進行下采樣,同時為了保證輸出大小為指定的大小,第四層卷積使用自適應(yīng)最大池化層進行下采樣。

卷積操作的本質(zhì)是通過使用卷積核參數(shù)來提取輸入數(shù)據(jù)的特征,通過矩陣點乘運算與求和運算得到結(jié)果。卷積公式計算如下

(10)

在激活函數(shù)選擇上,傳統(tǒng)的sigmoid激活函數(shù)[19]和tanh激活函數(shù)[20]在深度神經(jīng)網(wǎng)絡(luò)中進行梯度反向傳遞時容易導(dǎo)致梯度爆炸,甚至梯度消失。因此所提方法選擇線性整流函數(shù) (rectified linear unit, Relu)[21]作為激活函數(shù),公式

(11)

通過卷積、歸一化和激活函數(shù)提取特征后,為了減少模型的計算量,選擇最大池化函數(shù)對提取的特征映射進行下采樣處理。處理完的多維特征需經(jīng)過Flatten操作進行平滑處理,將特征處理為一個可以輸出的特征向量,最后通過線性全連接層和瓶頸層實現(xiàn)隨機特征組合以方便分類器分類,并且采用Dropout 層減少模型參數(shù)和計算量來防止過擬合同時提升模型的泛化能力。最后,分類器由單獨的Softmax 函數(shù)構(gòu)成,模型預(yù)測結(jié)果的概率分布輸出為

(12)

模型最后的預(yù)測結(jié)果為

(13)

2 偽標(biāo)簽驅(qū)動局部子空間對齊方法

源域數(shù)據(jù)預(yù)訓(xùn)練的分類器為目標(biāo)域樣本計算其屬于每一類的偽標(biāo)簽概率分布,其偽標(biāo)簽概率分布計算為

(14)

式中:G(·)為特征提取器;D(·)為瓶頸層。由式(9)可以計算LLMMD1,此時,zl為特征提取器和瓶頸層提取樣本的特征向量。

在通過余弦相似度為目標(biāo)域計算樣本的偽標(biāo)簽概率分布過程中,首先需要計算源域中每一類樣本在經(jīng)過特征提取器提取特征之后的樣本類中心。由于所提模型采用隨機選擇小批量樣本輸入,考慮到每個小批量選擇的樣本不一定覆蓋所有類,因此,在預(yù)訓(xùn)練最后一次迭代過程中計算源域每一類樣本的全局類中心

(15)

(16)

式中,b為批量大小。考慮到每個小批量不一定包括所有類,設(shè)置平衡參數(shù)μ來更新源域的類中心

(17)

(18)

(19)

(20)

由式(9)可以計算LLMMD2,此時,zl為特征提取器提取樣本的特征向量。

為了平衡兩種偽標(biāo)簽概率分布在不同位置計算局部最大均值差異對模型收斂的影響,關(guān)鍵是如何分配兩者在模型訓(xùn)練過程中的權(quán)重。通常情況下,多損失函數(shù)超參數(shù)的取值是由專家經(jīng)驗或試驗決定,然而,為了獲取最佳權(quán)重,在缺乏專家經(jīng)驗的條件下逐一進行試驗計算量巨大。因此,所提方法采用了一種簡單有效的動態(tài)平衡方法,在訓(xùn)練過程中自適應(yīng)調(diào)整權(quán)重參數(shù),計算為

(21)

最后,該模型全局自適應(yīng)損失Ldlmmd改寫為

Ldlmmd=λLLMMD1+1(1-λ)LLMMD2

(22)

故式(4)可以改寫為

(23)

式(23)為子域自適應(yīng)損失以及分類損失的整體目標(biāo)函數(shù),通過Adam算法進行整體優(yōu)化。

3 偽標(biāo)簽驅(qū)動局部子空間對齊的跨域故障診斷過程

偽標(biāo)簽驅(qū)動局部子空間對齊的跨域故障診斷模型輸入為:不同工況下的故障樣本即源域和目標(biāo)域數(shù)據(jù)、批量大小n、最大迭代次數(shù)m和預(yù)訓(xùn)練迭代次數(shù)v。模型的輸出為對輸入樣本的預(yù)測以及預(yù)測標(biāo)簽和真實標(biāo)簽之間的期望偏差,即故障診斷準(zhǔn)確率。圖2為該故障診斷模型訓(xùn)練流程圖,具體訓(xùn)練過程描述如下:

圖2 故障診斷流程圖

步驟1提取不同工況下不同故障類型的原始信號,根據(jù)工況劃分為目標(biāo)域和源域并按照比例劃分訓(xùn)練集、驗證集和測試集。為了保證目標(biāo)域標(biāo)簽不泄露,在模型訓(xùn)練過程中并不提供真實標(biāo)簽,并且每次迭代都包含模型驗證過程。

步驟2首先使用源域有標(biāo)簽數(shù)據(jù)預(yù)訓(xùn)練迭代v個epoch(在預(yù)訓(xùn)練過程中不計算偽標(biāo)簽以及LMMD),在第v個epoch運行結(jié)束時輸出源域所有樣本經(jīng)過特征提取器提取的特征向量,然后根據(jù)全部特征向量計算每一類故障的全局類中心。在模型預(yù)訓(xùn)練過程中,只通過式(6)采用Adam進行模型優(yōu)化,提高模型對跨域不變故障特征的識別能力。

步驟3在第v+1次迭代過程中,模型共享參數(shù),并且隨后每個小批量計算均更新源域的類中心。在目標(biāo)域樣本經(jīng)過特征提取器提取特征后,計算該樣本與源域樣本每一類類中心的余弦相似度,并根據(jù)相似度值作為目標(biāo)域的樣本屬于每一類的概率,合并為該樣本的偽標(biāo)簽概率分布向量;聯(lián)合直接遷移分類器到目標(biāo)域,根據(jù)分類器預(yù)測結(jié)果直接作為目標(biāo)域樣本的偽標(biāo)簽概率分布。此后每個小批量訓(xùn)練過程中均計算兩種偽標(biāo)簽概率分布。

步驟5判斷迭代次數(shù)是否達到設(shè)置的最大迭代次數(shù),若滿足條件,則結(jié)束訓(xùn)練并輸出源域驗證集及目標(biāo)域驗證集的故障診斷準(zhǔn)確率。然后,將特征提取器、瓶頸層和分類器直接遷移到目標(biāo)域為目標(biāo)域的測試集樣本進行故障診斷,最后輸出測試集故障診斷準(zhǔn)確率。

步驟6重復(fù)以上訓(xùn)練過程若干次,取若干次訓(xùn)練輸出的測試集故障診斷準(zhǔn)確率,求平均值作為最終的故障診斷結(jié)果來評價模型的性能。

4 故障診斷實例

4.1 訓(xùn)練參數(shù)設(shè)置

該方法通過Pytorch實現(xiàn),設(shè)置模型預(yù)訓(xùn)練10個epoch,共迭代訓(xùn)練100個epoch。在訓(xùn)練過程中,模型訓(xùn)練和測試交替進行。設(shè)置批量大小為n,優(yōu)化器為自適應(yīng)學(xué)習(xí)率優(yōu)化算法Adam算法。通過等間隔動態(tài)調(diào)整學(xué)習(xí)率,將學(xué)習(xí)率調(diào)整為lr,,其中初始學(xué)習(xí)率設(shè)置為0.001,=0.1,自適應(yīng)間隔為20個epoch。主干網(wǎng)絡(luò)主要參數(shù)如表1所示。

表1 主干網(wǎng)絡(luò)參數(shù)

4.2 公開數(shù)據(jù)集

凱斯西儲大學(xué)軸承數(shù)據(jù)中心提供的CWRU軸承數(shù)據(jù)集[22]被廣泛運用與智能故障診斷領(lǐng)域,因此選用該數(shù)據(jù)集來驗證所提方法的有效性。在試驗過程中采用驅(qū)動端軸承故障數(shù)據(jù),軸承型號為6203-2RS JEM SKF的深溝球軸承,采樣頻率為12 000 Hz。CWRU數(shù)據(jù)集存在四種不同的電機負(fù)載,因此根據(jù)4種不同負(fù)載,將樣本劃分4個不同的域,對應(yīng)不同的遷移學(xué)習(xí)任務(wù),如域0為源域,域3為目標(biāo)域,遷移任務(wù)為0→3,共計設(shè)置遷移學(xué)習(xí)任務(wù)12個,具體設(shè)置如表2所示。

表2 遷移學(xué)習(xí)任務(wù)

表3中列出了軸承不同的故障狀態(tài),包括4種故障類型分別為正常軸承(NA)、內(nèi)圈故障(IF)、外圈故障(OF)和球故障(BF),以及4種故障尺寸0,0.177 8 mm,0.355 6 mm和0.533 4 mm,共分為10類(1種健康狀態(tài),9種故障狀態(tài))。

表3 軸承10種故障狀態(tài)

每個故障樣本由1 024個連續(xù)采樣數(shù)據(jù)構(gòu)成,不同類具有不同數(shù)量的故障樣本,作為故障診斷模型的原始數(shù)據(jù)集。考慮到實際條件,不同工況數(shù)據(jù)采集量可能不一致,因此設(shè)置原始數(shù)據(jù)集樣本量在1 550～1 880。除此之外,正常軸承數(shù)據(jù)更易獲得,因此在總樣本中設(shè)置正常樣本數(shù)量為單一類故障樣本的3倍,即當(dāng)樣本總量為1 800時,正常軸承樣本量為450,而每一類故障樣本數(shù)則為150。將原始數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集,所占比率分別為0.6,0.2及0.2(樣本總量為1 800,則樣本量劃分訓(xùn)練集1 080、驗證集360及測試集360)。訓(xùn)練過程中,采用droplast剔除訓(xùn)練樣本不足一個小批量的剩余樣本。

4.3 公開數(shù)據(jù)集結(jié)果對比分析

為了驗證所提方法的有效性及優(yōu)越性,以使用相同數(shù)據(jù)集、采用相同的訓(xùn)練方法為基礎(chǔ),通過3種對比方法DANN、MK-MMD[23-24]和CORAL與本文提出的方法進行比較研究。比較遷移任務(wù)為0→3。訓(xùn)練過程中設(shè)置批量大小n=64。根據(jù)目標(biāo)域驗證樣本輸出分類準(zhǔn)確率變化曲線,如圖3所示。

圖3 故障診斷準(zhǔn)確率變化曲線

由圖3可知,基于距離度量的領(lǐng)域自適應(yīng)方法CORAL和MK-MMD收斂比較緩慢。在訓(xùn)練數(shù)據(jù)較多的情況下,基于對抗的領(lǐng)域自適應(yīng)方法可以實現(xiàn)比較快速的收斂,然而這3種方法均只進行域?qū)R而忽略子類的細(xì)粒度信息,造成模型收斂不穩(wěn)定。相較于只考慮域級對齊的其他3種方法,所提方法能在偽標(biāo)簽驅(qū)動的條件下充分利用了子類的細(xì)粒度信息,實現(xiàn)對齊域及子空間,保證了模型實現(xiàn)快速收斂,同時兼具穩(wěn)定性。

為了進一步驗證所提方法在12個故障診斷任務(wù)上的性能,采用在每個任務(wù)上對每種方法訓(xùn)練5次取平均故障診斷準(zhǔn)確率,并且每次迭代訓(xùn)練100個epoch進行比較。12個任務(wù)的測試集總體故障診斷準(zhǔn)確率對比結(jié)果如圖4所示。

圖4 12個任務(wù)總體準(zhǔn)確率

由圖4可見,所提方法對于大部分遷移任務(wù),其故障診斷準(zhǔn)確率明顯高于其他3種方法,最高達到100%,僅在任務(wù)3→1和1→3上,分類準(zhǔn)確率略低于其他3種領(lǐng)域自適應(yīng)方法,具體數(shù)值如表4所示。

表4 各方法的平均故障診斷準(zhǔn)確率

通過對任務(wù)3→1和任務(wù)1→3比較研究,不難發(fā)現(xiàn)在任務(wù)數(shù)據(jù)集間差異較大時,通過余弦相似度為目標(biāo)域無標(biāo)簽數(shù)據(jù)分配偽標(biāo)簽的置信度仍然較低,從而產(chǎn)生錯分,可能是導(dǎo)致模型在任務(wù)3→1和1→3上故障診斷準(zhǔn)確率略低的原因。

4.4 實驗室數(shù)據(jù)集

為了驗證所提方法的泛化性及穩(wěn)定性,進一步在實驗室條件下測得3組不同工況下的原始數(shù)據(jù),組合成6個故障診斷任務(wù)進行對比研究。3種不同工況如表5所示。

表5 3種不同工況

如圖5所示,采用3個加速度傳感器安裝在軸承座的3個不同位置,實現(xiàn)三通道采集滾動軸承振動信號,其中0通道位于12點鐘方向,1通道位于9點鐘方向,2通道位于3點鐘方向,采樣頻率為12 800 Hz,試驗對三通道采集數(shù)據(jù)進行故障特征融合即線性疊加。每種工況采集四組數(shù)據(jù),分別為正常軸承(NA)、內(nèi)圈故障(IF)、外圈故障(OF)以及球故障(BF),對應(yīng)的故障標(biāo)簽分別為0,1,2,3。試驗軸承型號為N205M,故障尺寸為寬0.2 mm、深0.5 mm。

圖5 軸承故障信號采集試驗臺

4.5 實驗室數(shù)據(jù)集結(jié)果對比分析

為了驗證所提方法在工況差異較大且訓(xùn)練樣本較少的情況下,也能獲得較高的故障診斷準(zhǔn)確率,試驗設(shè)置1 024個連續(xù)采樣點構(gòu)成一個故障樣本,每一類故障取200個樣本,只設(shè)置訓(xùn)練集和測試集,所占比例為0.25及0.75(訓(xùn)練集每一類50個樣本,驗證集每一類150個樣本),訓(xùn)練批量大小。與公開數(shù)據(jù)集試驗方法相同,每種方法在6個遷移學(xué)習(xí)任務(wù)上訓(xùn)練5次取平均故障診斷準(zhǔn)確率,對比結(jié)果如圖6所示。

圖6 實驗室數(shù)據(jù)集故障診斷準(zhǔn)確率比較

圖6顯示,4種方法在無監(jiān)督限制樣本量的前提條件下,均具有較強的特征遷移學(xué)習(xí)能力。然而,在任務(wù)0→2和任務(wù)1→2上,由于工況差異較大且源域訓(xùn)練樣本總量不足,對抗訓(xùn)練不夠充分,致使MK-MMD算法的故障診斷準(zhǔn)確率略高于DANN算法,但仍均低于所提方法。雖然所提方法在任務(wù)0→1,0→2及1→2上故障診斷準(zhǔn)確率低于100.00%(分別為99.34%,96.33以及93.00%),但仍然高于其他3種方法,最低分別提高了0.26%、0.50%和0.83%。特別是在其余3個遷移任務(wù)上所提方法故障診斷準(zhǔn)確率均達到了100.00%,充分證明了所提方法在該數(shù)據(jù)集上對所有的遷移任務(wù)都表現(xiàn)出了最好的泛化性和穩(wěn)定性。

為了進一步證明所提出方法在利用子類細(xì)粒度信息條件下,能夠更好地對齊源域和目標(biāo)域的子空間,以遷移任務(wù)0→2為例,提取所提方法與其他3種方法在瓶頸層輸出的特征,通過t-SNE進行降維可視化。不同方法進行降維可視化結(jié)果如圖7所示。

圖7 特征可視化對比圖

相較于其他3種方法,所提方法充分利用了源域和目標(biāo)域相同類別的細(xì)粒度特征信息,可以最大限度分離不同種類的樣本,從而使相同類別特征聚集更加緊密。此外,由4種方法特征可視化對比圖可見,在目標(biāo)域有部分屬于內(nèi)圈故障(IF)標(biāo)簽為1和部分屬于球故障(BF)標(biāo)簽為3的樣本相互混疊,表明這兩種樣本的相似性比較大,所提出的方法也不能完全區(qū)分,這也是圖6所示在任務(wù)0→2上準(zhǔn)確率未能達到100.00%的原因。

與特征可視化相同,以任務(wù)0→2為例采用混淆矩陣對所提方進行分析,圖8混淆矩陣顯示所提方法在對真實類3 (BF)進行預(yù)測時,將部分樣本錯分為預(yù)測類0 (NA)和1 (IF),這也與圖6和圖7的分析相吻合。通過混淆矩陣可以很明顯地看出,所提方法只在比較相似的正常軸承和球故障進行預(yù)測時出現(xiàn)錯分的比例比較大,而在其他幾類上能夠?qū)崿F(xiàn)最低99.33%的故障診斷準(zhǔn)確率。對比其他3種領(lǐng)域自適應(yīng)方法得出的結(jié)果,充分證明所提方法具有更優(yōu)越的故障診斷能力。

圖8 混淆矩陣

5 結(jié) 論

提出一種偽標(biāo)簽驅(qū)動局部子空間對齊的跨域故障診斷方法,利用生成偽標(biāo)簽的方法彌補目標(biāo)域樣本無可用標(biāo)簽的缺陷。結(jié)合提取的特征和對應(yīng)的標(biāo)簽概率分布,通過引入局部最大均值差異降低源域和目標(biāo)域的分布差異,從而將更細(xì)粒度的特征信息應(yīng)用于故障診斷。通過對比試驗證明了所提方法能夠在考慮故障特征細(xì)粒度信息對齊相關(guān)子空間的基礎(chǔ)上,使模型收斂更加穩(wěn)定。利用寬卷積核卷積神經(jīng)網(wǎng)絡(luò)提取更深層故障特征,避免了人工提取故障特征需要專家經(jīng)驗的弊端。結(jié)合公開數(shù)據(jù)集和試驗條件下采集的數(shù)據(jù)集分析比較,證明了該方法具有收斂性佳、穩(wěn)定性強以及故障診斷準(zhǔn)確率高等優(yōu)點,具有更高的實際應(yīng)用價值。