張文龍，胡天亮,4+，王艷潔，魏永利

(1.山東大學(xué) 機(jī)械工程學(xué)院，山東 濟(jì)南 250061；2.高效潔凈機(jī)械制造教育部重點(diǎn)實(shí)驗(yàn)室，山東 濟(jì)南 250061；3.機(jī)械工程國(guó)家級(jí)實(shí)驗(yàn)教學(xué)示范中心，山東 濟(jì)南 250061；4.山東大學(xué) 蘇州研究院，江蘇 蘇州 215123；5.衢州職業(yè)技術(shù)學(xué)院 信息工程學(xué)院, 浙江 衢州 324002)

0 引言

近年來，伴隨著產(chǎn)品質(zhì)量、生產(chǎn)效率和產(chǎn)品復(fù)雜程度的不斷提高，對(duì)機(jī)電裝備的可靠性和穩(wěn)定性提出了更高的要求。與此同時(shí)，由于機(jī)電裝備構(gòu)成環(huán)節(jié)和影響因素的增加，對(duì)故障和功能失效的預(yù)防難度也越來越大。軸承是機(jī)電裝備中必不可少的部件，它的性能往往會(huì)從完好逐漸經(jīng)歷一系列不同的退化狀態(tài)直至完全失效[1]。然而,當(dāng)這些機(jī)電裝備在高溫、高污染以及過載等不利的條件下運(yùn)行時(shí)，軸承等易損件在運(yùn)行過程中發(fā)生故障的概率非常大。若不能及時(shí)預(yù)測(cè)或進(jìn)行故障處理，往往會(huì)引發(fā)更嚴(yán)重的設(shè)備損傷，導(dǎo)致高額的維護(hù)成本和嚴(yán)重的經(jīng)濟(jì)損失，甚至出現(xiàn)安全問題。

傳統(tǒng)以傅里葉變換為基礎(chǔ)的故障診斷方法可以在邊緣端采集數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，但是由于軸承的振動(dòng)信號(hào)具有非線性與非平穩(wěn)的特點(diǎn)，難以取得較好的分析效果[2]。主成分分析是目前實(shí)際工程故障診斷與預(yù)測(cè)中最為常見的特征提取方法[3-4]。但是采用人工提取特征的方式不但需要大量具有專業(yè)知識(shí)的人員參與，而且往往不具有代表性，在不同的應(yīng)用之間存在著偏差。

針對(duì)這個(gè)問題，一些國(guó)內(nèi)外的學(xué)者提出使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)代替人工來進(jìn)行特征提取[5-6]，這樣可以在訓(xùn)練階段將特征抽取和分類融合并同時(shí)優(yōu)化為一個(gè)單一的學(xué)習(xí)塊，當(dāng)訓(xùn)練樣本數(shù)據(jù)量足夠大時(shí)，能達(dá)到很高的診斷準(zhǔn)確率。CNN模型需要利用大量帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)進(jìn)行充分訓(xùn)練之后才能完成準(zhǔn)確的故障識(shí)別[7]，而對(duì)于帶標(biāo)簽樣本的收集以及模型的準(zhǔn)確訓(xùn)練皆需大量的計(jì)算時(shí)間和計(jì)算資源。因此，現(xiàn)階段類似的深度學(xué)習(xí)任務(wù)大都是在擁有豐富計(jì)算、存儲(chǔ)資源的云端進(jìn)行。然而，若單純通過云端進(jìn)行訓(xùn)練，需考慮對(duì)不同個(gè)性化診斷案例的適應(yīng)能力，需對(duì)不同的應(yīng)用場(chǎng)景分別進(jìn)行訓(xùn)練，得到相適應(yīng)的模型參數(shù)。該方法將導(dǎo)致訓(xùn)練參數(shù)大幅增加，訓(xùn)練任務(wù)繁重，與故障診斷的響應(yīng)時(shí)限要求存在著矛盾。

隨著物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，數(shù)據(jù)越來越多地產(chǎn)生在網(wǎng)絡(luò)邊緣，將部分?jǐn)?shù)據(jù)在網(wǎng)絡(luò)邊緣進(jìn)行處理會(huì)更有效率?，F(xiàn)如今邊緣計(jì)算[8]、霧計(jì)算[9]等概念逐漸成為研究的熱點(diǎn)。然而，若單純通過邊緣端由個(gè)性化的應(yīng)用數(shù)據(jù)進(jìn)行訓(xùn)練，則訓(xùn)練過程受限于邊緣端的計(jì)算能力和存儲(chǔ)能力，導(dǎo)致訓(xùn)練時(shí)間增長(zhǎng)。除此之外，能夠滿足模型充分訓(xùn)練的大量數(shù)據(jù)的收集工作也較難開展。

借鑒在深度學(xué)習(xí)領(lǐng)域?qū)⒕邆涓咝阅苡?jì)算、存儲(chǔ)的云端資源和個(gè)性化適應(yīng)能力強(qiáng)、時(shí)限要求控制好的邊緣端設(shè)備結(jié)合的思想[10]，本文提出一種云/邊緣端協(xié)同的軸承故障實(shí)時(shí)診斷方法，旨在充分發(fā)揮云端與邊緣端的優(yōu)勢(shì)，通過對(duì)計(jì)算資源和計(jì)算實(shí)時(shí)性要求的協(xié)調(diào)，實(shí)現(xiàn)軸承故障的實(shí)時(shí)診斷。

1 整體框架設(shè)計(jì)

整體方案采用云/邊緣端協(xié)同的思想進(jìn)行構(gòu)建。

云端的優(yōu)勢(shì)主要體現(xiàn)在以下兩點(diǎn)：①豐富的計(jì)算資源，可快速進(jìn)行大量復(fù)雜運(yùn)算；②充足的存儲(chǔ)資源，可以存儲(chǔ)用于訓(xùn)練的海量樣本。但同時(shí)由于云端時(shí)間敏感性差，任務(wù)定制能力差，往往不能滿足實(shí)時(shí)性要求。而邊緣端由于其與應(yīng)用對(duì)象緊密耦合，因此具有兩個(gè)優(yōu)點(diǎn)：①實(shí)時(shí)響應(yīng)性好；②服務(wù)對(duì)象單一，可進(jìn)行個(gè)性化的服務(wù)定制。但其計(jì)算資源往往成為限制大規(guī)模數(shù)據(jù)驅(qū)動(dòng)計(jì)算的瓶頸。為解決軸承故障實(shí)時(shí)診斷問題，本文基于上述對(duì)于云/邊緣端優(yōu)缺點(diǎn)分析，充分發(fā)揮云/邊緣端的各自優(yōu)勢(shì)，設(shè)計(jì)整體框架如圖1所示。

圖1中，云端主要進(jìn)行訓(xùn)練樣本數(shù)據(jù)的存儲(chǔ)和普適化模型的訓(xùn)練。其中，訓(xùn)練樣本數(shù)據(jù)由兩部分構(gòu)成：一部分為軸承故障診斷公開數(shù)據(jù)集，另一部分為邊緣端采集的軸承個(gè)性化診斷樣本數(shù)據(jù)集。隨后，基于云端豐富的訓(xùn)練樣本資源和計(jì)算資源，通過對(duì)軸承的故障診斷普適模型進(jìn)行持續(xù)訓(xùn)練更新，以得到普適化的訓(xùn)練結(jié)果，該訓(xùn)練結(jié)果可作為中間結(jié)果服務(wù)于不同的診斷場(chǎng)景。

邊緣端通過數(shù)據(jù)感知裝置采集個(gè)性化工況下軸承的實(shí)時(shí)狀態(tài)數(shù)據(jù)，將其傳遞給云端存儲(chǔ)。同時(shí)在邊緣端形成個(gè)性化工況的訓(xùn)練樣本，對(duì)云端遷移至邊緣端的普適化診斷模型進(jìn)行個(gè)性化修正，從而提升對(duì)具體診斷任務(wù)的適用性，由此形成個(gè)性化模型以進(jìn)行軸承故障的實(shí)時(shí)診斷。

從圖1可以看出，軸承故障診斷任務(wù)中云端和邊緣端的數(shù)據(jù)交互主要包含兩種方式：①邊緣端會(huì)定時(shí)將存儲(chǔ)在本地的個(gè)性化樣本上傳到云端存儲(chǔ)，豐富云端的訓(xùn)練集和驗(yàn)證集；②隨著云端存儲(chǔ)的數(shù)據(jù)集的更新，定時(shí)通過訓(xùn)練完成普適診斷模型參數(shù)的優(yōu)化，并將優(yōu)化后的模型參數(shù)遷移到邊緣端來進(jìn)行模型修正。

2 故障診斷算法的設(shè)計(jì)與實(shí)施

2.1 軸承診斷算法的設(shè)計(jì)準(zhǔn)則

由于軸承的振動(dòng)信號(hào)較易采集且能很好地反映軸承狀態(tài)，本文提出的故障診斷算法以采集的軸承振動(dòng)信號(hào)作為故障診斷模型的輸入，以軸承故障類型作為故障診斷模型的輸出。在云端基于樣本數(shù)據(jù)進(jìn)行普適化診斷模型的訓(xùn)練后，通過遷移學(xué)習(xí)的方式在邊緣端形成面向個(gè)性化工況的軸承故障診斷模型，基于實(shí)時(shí)采集的軸承振動(dòng)數(shù)據(jù)對(duì)軸承故障進(jìn)行實(shí)時(shí)的診斷。其中遷移學(xué)習(xí)，是指利用數(shù)據(jù)、任務(wù)、或模型之間的相似性，將在舊領(lǐng)域?qū)W習(xí)過的模型，應(yīng)用于新領(lǐng)域的一種學(xué)習(xí)過程[11]。

上述任務(wù)場(chǎng)景中的診斷算法需要對(duì)振動(dòng)信號(hào)進(jìn)行全面的特征提取，且云端的診斷模型要服務(wù)于個(gè)性化的邊緣端故障診斷任務(wù)，同時(shí)邊緣端需具備接受云端訓(xùn)練模型遷移的能力。因此，本文提出的神經(jīng)網(wǎng)絡(luò)識(shí)別算法的構(gòu)建需要滿足以下準(zhǔn)則：

(1)既需要有足夠大的卷積核來獲取周期性變換的特性，又需要小的卷積核來獲取局部特征；

(2)神經(jīng)網(wǎng)絡(luò)的深度要相對(duì)較深，以更容易獲取優(yōu)質(zhì)的特征表示；

(3)神經(jīng)網(wǎng)絡(luò)構(gòu)建的過程中應(yīng)充分考慮過擬合的問題；

(4)神經(jīng)網(wǎng)絡(luò)整體參數(shù)不能太多，方便在資源不足的邊緣端進(jìn)行使用；

(5)邊緣端與云端模型框架應(yīng)相同，以滿足云端訓(xùn)練結(jié)果向邊緣端遷移的要求。

2.2 云端算法的構(gòu)建與訓(xùn)練

近年來在軸承故障診斷領(lǐng)域也不乏一些優(yōu)秀的深度學(xué)習(xí)算法涌現(xiàn)出來[12-14]，其中第一層寬卷積核深度卷積神經(jīng)網(wǎng)絡(luò)(Deep CNN with Wide First-layer Kernel, WDCNN)算法與上述的設(shè)計(jì)準(zhǔn)則較為符合。其網(wǎng)絡(luò)結(jié)構(gòu)中卷積層的結(jié)構(gòu)特點(diǎn)是第一層為64×1的大卷積核，之后卷積層全部為3×1的小卷積核[15]。該算法中卷積核的設(shè)計(jì)和上述設(shè)計(jì)準(zhǔn)則中的卷積核的尺寸要求十分相符，即在第一層使用了中等大小的卷積核，其不僅可以使網(wǎng)絡(luò)擁有足夠大的感受野并且保證不忽略過多的局部特征，除此之外該網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練參數(shù)較少。但該算法進(jìn)行故障診斷的準(zhǔn)確率仍有待提高，并且對(duì)于過擬合的考慮有所欠缺。

基于此在WDCNN算法基礎(chǔ)上進(jìn)行以下兩點(diǎn)改進(jìn)：

(1)使用丟棄法抑制神經(jīng)網(wǎng)絡(luò)的過擬合現(xiàn)象，提高模型準(zhǔn)確性。

(2)提升其神經(jīng)網(wǎng)絡(luò)的深度，從5層卷積層加深到6層卷積層，在保證訓(xùn)練參數(shù)總數(shù)增加較少的前提下，避免過擬合現(xiàn)象，提升故障診斷的準(zhǔn)確性。

改進(jìn)后的算法結(jié)構(gòu)如圖2所示，各層參數(shù)如表1所示。云端搭建好的診斷算法的訓(xùn)練與更新過程如圖3所示。

表1 改進(jìn)后的CNN診斷模型的參數(shù)

圖3中，在任務(wù)初期主要是使用公開的軸承數(shù)據(jù)集來進(jìn)行普適化模型訓(xùn)練，隨著任務(wù)的進(jìn)行會(huì)有邊緣端應(yīng)用所生成的個(gè)性化樣本加入到數(shù)據(jù)庫中進(jìn)行持續(xù)更新訓(xùn)練。在訓(xùn)練時(shí)將訓(xùn)練樣本按比例劃分為訓(xùn)練集與驗(yàn)證集，每進(jìn)行一次訓(xùn)練均反向傳播更新模型參數(shù)，以運(yùn)用云端豐富的計(jì)算資源，在診斷服務(wù)全過程中，針對(duì)不同任務(wù)場(chǎng)景提供持續(xù)快速的普適化模型參數(shù)更新服務(wù)。

2.3 邊緣端算法的設(shè)計(jì)與實(shí)施

邊緣端的任務(wù)主要是對(duì)軸承進(jìn)行故障的實(shí)時(shí)診斷，其算法沿襲云端算法的基本框架，這樣就可以將云端的普適化模型參數(shù)經(jīng)過遷移學(xué)習(xí)遷移到邊緣端。但與此同時(shí)需要根據(jù)不同的邊緣端的特性進(jìn)行調(diào)整。主要調(diào)整策略如下：

(1)根據(jù)邊緣端不同的振動(dòng)信號(hào)采樣頻率調(diào)整輸入的數(shù)據(jù)長(zhǎng)度；

(2)根據(jù)邊緣端的計(jì)算資源和本地樣本，選擇匹配的神經(jīng)網(wǎng)絡(luò)配置。

邊緣端算法的更新與應(yīng)用如圖4所示。

圖4中，從云端經(jīng)過參數(shù)遷移得到邊緣端初始化的診斷模型。在邊緣控制器上使用本地樣本對(duì)該診斷模型進(jìn)行個(gè)性化訓(xùn)練，最終生成可應(yīng)用于邊緣端的個(gè)性化診斷模型。此時(shí)將實(shí)時(shí)的振動(dòng)信號(hào)采集加載在個(gè)性化診斷模型上就可以實(shí)時(shí)生成診斷結(jié)果，并可以根據(jù)診斷結(jié)果做出相應(yīng)的響應(yīng)。

3 實(shí)驗(yàn)與結(jié)論

本章根據(jù)上一章的內(nèi)容分別設(shè)計(jì)實(shí)驗(yàn)來探究以下的內(nèi)容：

(1)云端構(gòu)建的診斷算法相較WDCNN改進(jìn)的效果是否明顯；

(2)在軸承故障診斷任務(wù)中通過遷移學(xué)習(xí)是否可以提高故障診斷的準(zhǔn)確率并有效節(jié)約訓(xùn)練時(shí)間和資源。

3.1 實(shí)驗(yàn)平臺(tái)

本文設(shè)計(jì)的實(shí)驗(yàn)平臺(tái)由云端和邊緣端兩部分組成。在云端的硬件系統(tǒng)主要由4塊GTX1080 GPU和CPU以及擴(kuò)展的1 T硬盤組成。軟件方面操作系統(tǒng)選用的是Ubuntu16，深度學(xué)習(xí)框架選用的是Pytorch，使用Python來完成整個(gè)云端的普適化模型訓(xùn)練的程序。邊緣控制器選用的是NVIDIA JETSON TX2，在其上中搭載Ubuntu16系統(tǒng)，深度學(xué)習(xí)框架選用的是Pytorch，使用Python來搭建對(duì)實(shí)時(shí)振動(dòng)信號(hào)進(jìn)行實(shí)時(shí)故障診斷與識(shí)別的程序。

3.2 云端診斷算法的實(shí)現(xiàn)與性能探究

本次實(shí)驗(yàn)中所使用的公開數(shù)據(jù)集為美國(guó)凱斯西儲(chǔ)大學(xué)的軸承數(shù)據(jù)集[12]，選取其中的101種軸承狀態(tài)的樣本，標(biāo)簽與其故障狀態(tài)的對(duì)應(yīng)情況如表2所示。表中軸承數(shù)據(jù)分為健康和故障兩大類，其中故障類別中又分為風(fēng)扇端和驅(qū)動(dòng)端數(shù)據(jù)。載荷代表的是實(shí)驗(yàn)中的電機(jī)載荷，單位為馬力。軸承故障分為3個(gè)等級(jí)：故障等級(jí)一對(duì)應(yīng)的是直徑為0.177 8 mm的損傷；故障等級(jí)二對(duì)應(yīng)的是直徑為0.355 6 mm的損傷；故障等級(jí)三對(duì)應(yīng)的是直徑為0.533 4 mm的損傷。由于外圈損傷的位置是相對(duì)固定的，使用@3、@6以及@12分別代表損傷位置在3點(diǎn)鐘、6點(diǎn)鐘、12點(diǎn)鐘位置。

表2 凱斯西儲(chǔ)大學(xué)軸承故障數(shù)據(jù)集的故障類別與標(biāo)簽對(duì)照表

續(xù)表2

首先使用上述數(shù)據(jù)集對(duì)原始的WDCNN算法進(jìn)行訓(xùn)練，經(jīng)過100次的訓(xùn)練之后其準(zhǔn)確率穩(wěn)定在83.41%左右。為了增強(qiáng)其抽象特征的提取能力，提升模型的準(zhǔn)確性，在這里增加了一層卷積層，經(jīng)過100次的訓(xùn)練之后其準(zhǔn)確率穩(wěn)定在88.50%左右，由此得出，在本次任務(wù)中加深神經(jīng)網(wǎng)絡(luò)的層數(shù)可以有效提高模型預(yù)測(cè)的準(zhǔn)確性?；诖嗽谠\斷算法的不同位置添加丟棄層。為了保證算法預(yù)測(cè)準(zhǔn)確率的穩(wěn)定性，每個(gè)實(shí)驗(yàn)均重復(fù)進(jìn)行10次，最后結(jié)果取10次實(shí)驗(yàn)結(jié)果的平均值。實(shí)驗(yàn)結(jié)果如圖5所示。

在圖5中，通過對(duì)比發(fā)現(xiàn)在模型的最后3層添加丟棄層，且丟棄率為0.3的時(shí)候診斷效果最優(yōu)，其模型預(yù)測(cè)準(zhǔn)確率可以達(dá)到94.41%。

3.3 云/邊緣端協(xié)同的遷移學(xué)習(xí)對(duì)比實(shí)驗(yàn)

本次實(shí)驗(yàn)中通過在云端搭載的GPU服務(wù)器上基于改進(jìn)的WDCNN算法對(duì)凱斯西儲(chǔ)大學(xué)軸承故障公開數(shù)據(jù)集進(jìn)行充分訓(xùn)練，得到軸承故障診斷的普適化模型。

在邊緣端則使用德國(guó)帕德博恩大學(xué)的軸承數(shù)據(jù)集[16]中與遷移學(xué)習(xí)源域數(shù)據(jù)集的故障種類相似的部分故障數(shù)據(jù)，來模擬邊緣端采集到的個(gè)性化軸承數(shù)據(jù)。在本次實(shí)驗(yàn)中主要選取經(jīng)電火花加工制造的軸承內(nèi)圈損傷和軸承外圈損傷以及兩類運(yùn)行時(shí)間不同的健康軸承數(shù)據(jù)。每一大類數(shù)據(jù)中又根據(jù)工況的不同分為4小類，其故障類別與標(biāo)簽對(duì)照表如表3所示。用上述故障數(shù)據(jù)集來模擬邊緣端采集到的軸承故障信息。

通過云端的普適化模型參數(shù)的遷移和邊緣端的個(gè)性化調(diào)整以及訓(xùn)練，使得在邊緣端的模型可以完成對(duì)于軸承故障的診斷與識(shí)別。由于邊緣端使用的數(shù)據(jù)采集頻率較高，這里截取4096×1數(shù)據(jù)作為輸入到模型中來進(jìn)行軸承故障的診斷，經(jīng)過邊緣端模型的識(shí)別可以快速反饋軸承的狀態(tài)。

表3 實(shí)驗(yàn)選用的帕德伯恩大學(xué)軸承故障數(shù)據(jù)集的故障類別與標(biāo)簽對(duì)照表

3.3.1 遷移學(xué)習(xí)策略的選擇與對(duì)應(yīng)效果的探究

一般來說，進(jìn)行遷移學(xué)習(xí)有兩種策略:①Finetuning，它包括在基本數(shù)據(jù)集上使用預(yù)訓(xùn)練的網(wǎng)絡(luò)并訓(xùn)練目標(biāo)數(shù)據(jù)集中的所有層；②Freeze and train，它包括保持除最后一層(或幾層)之外的所有層凍結(jié)(不更新權(quán)重)并訓(xùn)練最后一層。在本次遷移學(xué)習(xí)實(shí)驗(yàn)中分別應(yīng)用兩種方式去進(jìn)行遷移學(xué)習(xí)，通過比較模型預(yù)測(cè)的準(zhǔn)確性來選取適合的遷移學(xué)習(xí)方式。實(shí)驗(yàn)中目標(biāo)域的訓(xùn)練集樣本數(shù)量梯度設(shè)計(jì)如表4所示。在每次實(shí)驗(yàn)中，每類故障均選取未經(jīng)訓(xùn)練的140組帶標(biāo)簽的數(shù)據(jù)作為驗(yàn)證集進(jìn)行故障診斷準(zhǔn)確率的驗(yàn)證。

在本次實(shí)驗(yàn)中首先構(gòu)建好上文提到的軸承故障診斷算法，然后在訓(xùn)練過程中依次使用表4中的訓(xùn)練集1～6對(duì)構(gòu)建好的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其實(shí)驗(yàn)結(jié)果如表5與圖6所示。

表4 實(shí)驗(yàn)中目標(biāo)域各訓(xùn)練集樣本量設(shè)置

表5 未進(jìn)行遷移學(xué)習(xí)的實(shí)驗(yàn)結(jié)果

使用遷移學(xué)習(xí)方式時(shí)首先在云端使用源域樣本對(duì)上一節(jié)得出的最優(yōu)改進(jìn)算法進(jìn)行充分的訓(xùn)練，最終得到一個(gè)故障預(yù)測(cè)正確率達(dá)到接近95%的模型。將該模型中的所有參數(shù)傳輸?shù)竭吘壙刂破鞫恕?/p>

首先，采用Finetuning的方式來進(jìn)行遷移學(xué)習(xí)，即在邊緣端直接加載由云端傳輸過來的模型參數(shù)，使用表4設(shè)置的訓(xùn)練樣本梯度分別對(duì)邊緣端初始模型進(jìn)行訓(xùn)練，并在訓(xùn)練中更新所有層的參數(shù)，在這里每次實(shí)驗(yàn)均重復(fù)進(jìn)行10次，最后結(jié)果取10次實(shí)驗(yàn)結(jié)果的平均值，其結(jié)果如表6與圖7所示。

表6 Finetuning的遷移學(xué)習(xí)方式實(shí)驗(yàn)結(jié)果

然后，采用Freeze and train的遷移學(xué)習(xí)方式來進(jìn)行訓(xùn)練，即在邊緣端直接加載由云端傳輸過來的模型參數(shù)，使用表4設(shè)置的訓(xùn)練樣本梯度來對(duì)模型進(jìn)行訓(xùn)練，并在訓(xùn)練中僅更新全連接層的參數(shù)。在本次實(shí)驗(yàn)中分別使用一層全連接層和兩層全連接層兩種方式來實(shí)現(xiàn)最后的分類。在這里每次實(shí)驗(yàn)均重復(fù)進(jìn)行10次，最后結(jié)果取10次實(shí)驗(yàn)結(jié)果的平均值，其實(shí)驗(yàn)結(jié)果如表7、圖8以及表8、圖9所示。分別截取上述4個(gè)實(shí)驗(yàn)中擁有少量訓(xùn)練樣本時(shí)的實(shí)驗(yàn)結(jié)果，并將其匯總在一起進(jìn)行對(duì)比分析，其匯總結(jié)果如表9所示。

表7 使用一層全連接層時(shí)實(shí)驗(yàn)結(jié)果

表8 使用兩層全連接層時(shí)實(shí)驗(yàn)結(jié)果

表9 少樣本各遷移學(xué)習(xí)策略的效果對(duì)比表

由本次實(shí)驗(yàn)得出以下結(jié)論：

(1)在擁有少量訓(xùn)練樣本時(shí)使用遷移學(xué)習(xí)的診斷準(zhǔn)確率提高效果顯著

在每類訓(xùn)練樣本少于120條的時(shí)候，使用遷移學(xué)習(xí)可以大幅提高模型的預(yù)測(cè)準(zhǔn)確率，如在每類個(gè)性化樣本的數(shù)量?jī)H有20條和60條時(shí)對(duì)診斷模型進(jìn)行訓(xùn)練，使用遷移學(xué)習(xí)的方式分別可以得到67%和83%的預(yù)測(cè)準(zhǔn)確率。而不進(jìn)行遷移學(xué)習(xí)在相同情況下僅能達(dá)到50%和74%的預(yù)測(cè)準(zhǔn)確率。

(2)在擁有少量訓(xùn)練樣本時(shí)使用遷移學(xué)習(xí)的訓(xùn)練時(shí)間縮短效果顯著

從實(shí)驗(yàn)中可以看出，在每類訓(xùn)練樣本不超過240條的時(shí)候，使用遷移學(xué)習(xí)可以大幅縮短模型的訓(xùn)練次數(shù)。在本次實(shí)驗(yàn)中當(dāng)邊緣端每類樣本數(shù)量為20、60、120、240條時(shí)，平均每次訓(xùn)練所需時(shí)間分別為1.265 s、2.075 s、3.285 s、5.724 s。當(dāng)然由于訓(xùn)練時(shí)間在不同的硬件平臺(tái)上會(huì)有不同的表現(xiàn)，但訓(xùn)練次數(shù)則在不同硬件平臺(tái)上的表現(xiàn)基本相同，且訓(xùn)練次數(shù)和訓(xùn)練時(shí)間基本線性相關(guān)。因此，為了消除不同情況下的表現(xiàn)差異，統(tǒng)一使用訓(xùn)練次數(shù)來衡量訓(xùn)練時(shí)間的縮減程度。在每類樣本的數(shù)量?jī)H有20條時(shí)，使用遷移學(xué)習(xí)的情況下模型預(yù)測(cè)準(zhǔn)確率達(dá)到最優(yōu)解的90%僅需要不到10次訓(xùn)練，而未使用遷移學(xué)習(xí)的情況下則至少需要40次訓(xùn)練，遷移學(xué)習(xí)節(jié)約訓(xùn)練時(shí)間約75%以上。在每類樣本的數(shù)量?jī)H有60條時(shí)，使用遷移學(xué)習(xí)的情況下模型預(yù)測(cè)準(zhǔn)確率達(dá)到最優(yōu)解的90%僅需要不到10次訓(xùn)練，而未使用遷移學(xué)習(xí)的情況下則至少需要30次訓(xùn)練，遷移學(xué)習(xí)節(jié)約訓(xùn)練時(shí)間約66%以上。在樣本數(shù)量為120條和240條時(shí)達(dá)到最優(yōu)解的90%所需要的的訓(xùn)練時(shí)間亦大幅縮短。

(3)本次任務(wù)中Fineturn的遷移學(xué)習(xí)方式要比Freezing and train準(zhǔn)確率更高

本次故障識(shí)別任務(wù)中在每類故障有20條及以上的帶標(biāo)簽的訓(xùn)練數(shù)據(jù)時(shí)，F(xiàn)ineturn的方式總是能在預(yù)測(cè)準(zhǔn)確率上高出Freezing and train 10%以上。

3.3.2 遷移學(xué)習(xí)樣本對(duì)遷移學(xué)習(xí)的影響探究

在上述實(shí)驗(yàn)中遷移學(xué)習(xí)的源域選取的是凱斯西儲(chǔ)大學(xué)的101類故障數(shù)據(jù)集。其中包含健康的軸承狀態(tài)、軸承外圈損傷的狀態(tài)、軸承內(nèi)圈損傷的狀態(tài)、保持架損傷狀態(tài)以及滾動(dòng)體損傷的狀態(tài)樣本。但本次任務(wù)要遷移到的目標(biāo)域中僅有健康的軸承狀態(tài)、軸承外圈損傷狀態(tài)和軸承內(nèi)圈的損傷狀態(tài)樣本這3大類，而沒有軸承保持架和滾動(dòng)體的損傷狀態(tài)樣本。在本實(shí)驗(yàn)中要探究遷移學(xué)習(xí)的源域樣本類別對(duì)遷移學(xué)習(xí)的影響。分別以源域中去掉滾動(dòng)體與保持架損傷樣本(表10)、源域中去掉滾動(dòng)體與保持架損傷樣本并進(jìn)行相似類合并(表11)以及完整的源域樣本3類來進(jìn)行完全的訓(xùn)練。為了保證模型預(yù)測(cè)準(zhǔn)確率的可信性，每次實(shí)驗(yàn)均重復(fù)進(jìn)行10次，最后結(jié)果取10次實(shí)驗(yàn)結(jié)果的平均值，其實(shí)驗(yàn)結(jié)果如圖10所示。

表10 去掉保持架與滾動(dòng)體損傷樣本的源域樣本對(duì)照表

表11 去掉保持架與滾動(dòng)體損傷樣本并進(jìn)行合并的源域樣本對(duì)照表

由本次實(shí)驗(yàn)得出結(jié)論：為了達(dá)到好的遷移學(xué)習(xí)效果，在選取遷移學(xué)習(xí)樣本時(shí)要力求做到源域有盡量多的不同故障表現(xiàn)的樣本，并且最好對(duì)樣本做出精細(xì)完善的分類。因此，在本次任務(wù)中云端存儲(chǔ)的不同工況的軸承數(shù)據(jù)集可以增強(qiáng)遷移學(xué)習(xí)的效果。

4 結(jié)束語

本文提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的云/邊緣協(xié)同的軸承故障診斷方法實(shí)現(xiàn)軸承故障的實(shí)時(shí)診斷。運(yùn)用云端存儲(chǔ)的大量樣本數(shù)據(jù)對(duì)診斷模型進(jìn)行持續(xù)訓(xùn)練，生成可以適用于同類別的軸承故障診斷任務(wù)的普適診斷模型。然后通過遷移學(xué)習(xí)的方式將訓(xùn)練好的普適化模型遷移到邊緣端，在邊緣端只需要運(yùn)用少量本地樣本進(jìn)行微調(diào)即得到邊緣端的個(gè)性化軸承故障診斷模型，用該模型可以進(jìn)行軸承故障的實(shí)時(shí)診斷。與此同時(shí)邊緣端的個(gè)性化樣本會(huì)定期上傳到云端，作為訓(xùn)練數(shù)據(jù)用于更新普適診斷模型。通過實(shí)驗(yàn)驗(yàn)證對(duì)比分析，使用該軸承故障診斷方法可以將診斷模型的訓(xùn)練在云端實(shí)現(xiàn)，而邊緣端只需要進(jìn)行少量的個(gè)性化調(diào)整訓(xùn)練，可節(jié)約大量的訓(xùn)練時(shí)間。與此同時(shí)在訓(xùn)練樣本不足的制約下，可以顯著提高故障診斷準(zhǔn)確率。由于此方法在實(shí)時(shí)性、準(zhǔn)確性、樣本局限性方面體現(xiàn)出的良好效果，后續(xù)研究中將進(jìn)一步探究此方法在齒輪箱、機(jī)床電主軸、導(dǎo)軌等關(guān)鍵零部件故障預(yù)測(cè)和診斷中的應(yīng)用策略，為制造裝備關(guān)鍵零部件故障診斷和預(yù)測(cè)性維護(hù)提供高可行性的實(shí)現(xiàn)方案。