張 釗，李新宇,高 亮

(華中科技大學(xué) 機(jī)械科學(xué)與工程學(xué)院，湖北 武漢 430000)

0 引言

故障診斷對于機(jī)械設(shè)備的健康管理十分重要，也是智能制造領(lǐng)域的研究熱點(diǎn)之一。目前，常用的故障診斷方法主要有3類[1]：基于模型的方法、基于信號處理的方法和基于數(shù)據(jù)驅(qū)動的方法。由于制造業(yè)信息化與數(shù)字化的不斷進(jìn)步，基于數(shù)據(jù)驅(qū)動的故障診斷方法已成為了當(dāng)前的研究熱點(diǎn)，該類方法包括貝葉斯網(wǎng)絡(luò)(Bayes)[2-3]、支持向量機(jī)(Support Vector Machine，SVM)[4-5]、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)[6-9]等。CAI等[10]介紹了近幾十年來使用貝葉斯網(wǎng)絡(luò)進(jìn)行故障診斷的應(yīng)用研究；YIN等[11]介紹了基于支持向量機(jī)的故障診斷與監(jiān)測方法的研究現(xiàn)狀；ALI等[12]提出了選擇最重要固有模式函數(shù)(Intrinsic Mode Functions, IMF)的數(shù)學(xué)分析方法，將所選特征用于人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，完成對軸承缺陷的分類任務(wù)。

上述基于數(shù)據(jù)驅(qū)動的故障診斷方法一般采用傳統(tǒng)機(jī)器學(xué)習(xí)方法，它們大部分建立在訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)分布相同的假設(shè)上。然而，當(dāng)訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的數(shù)據(jù)分布不同時(shí)，傳統(tǒng)機(jī)器學(xué)習(xí)方法往往表現(xiàn)不佳[13]。實(shí)際生產(chǎn)過程中，機(jī)械設(shè)備的工作狀態(tài)與條件往往是動態(tài)變化的，設(shè)備所產(chǎn)生的故障診斷數(shù)據(jù)分布也會隨之改變。另外，在故障診斷中，高質(zhì)量的帶標(biāo)簽的數(shù)據(jù)通常較少，這給故障診斷帶來了較大的挑戰(zhàn)。

為了解決故障診斷數(shù)據(jù)不足的問題，無監(jiān)督的故障診斷方法受到了廣泛關(guān)注，LIU等[14]提出一種分類對抗自編碼器(Categorical Adversarial Autoencoder, CatAAE)，用于滾動軸承的無監(jiān)督故障診斷。該模型通過對抗訓(xùn)練過程訓(xùn)練自動編碼器，嘗試對數(shù)據(jù)進(jìn)行聚類；HE等[15]提出一種基于深度信念網(wǎng)絡(luò)(Deep Belief Network, DBN)的人工智能方法，用于齒輪傳動鏈的無監(jiān)督故障診斷，并采用遺傳算法對網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化；SONG等[16]提出了一種基于迭代多流形譜聚類(Iterative Multi-manifold Spectral Clustering, IMMSC)的無監(jiān)督故障診斷方法，采用基于局部切線空間構(gòu)造親和矩陣的IMMSC來提高多流形分布數(shù)據(jù)的譜聚類性能；ZHANG等[17]提出一種稱為通用歸一化稀疏濾波(General Normalized Sparse Filtering, GNSF)的新型無監(jiān)督學(xué)習(xí)方法，用于智能故障診斷，該算法通過基于特征矩陣的廣義范數(shù)優(yōu)化目標(biāo)函數(shù)，實(shí)現(xiàn)了特征稀疏度的度量。以上無監(jiān)督故障診斷方法大多采用聚類的方法對故障數(shù)據(jù)進(jìn)行分析，從而實(shí)現(xiàn)無監(jiān)督，沒有針對故障診斷數(shù)據(jù)分布不同這一類問題進(jìn)行無監(jiān)督故障診斷的討論。

由于大多數(shù)無監(jiān)督故障診斷方法對故障診斷數(shù)據(jù)分布變化這類問題討論較少，為了解決機(jī)械設(shè)備因工作狀態(tài)變化導(dǎo)致數(shù)據(jù)分布變化，標(biāo)簽故障數(shù)據(jù)較少的問題，考慮到遷移學(xué)習(xí)的主要任務(wù)是將一個(gè)領(lǐng)域所學(xué)習(xí)到的知識遷移到另外一個(gè)領(lǐng)域中，輔助另外一個(gè)領(lǐng)域的模型學(xué)習(xí)。其中的域適應(yīng)方法可以解決源域與目標(biāo)域的數(shù)據(jù)分布不同的問題。因此，將遷移學(xué)習(xí)與深度學(xué)習(xí)結(jié)合，可以在獲得深度學(xué)習(xí)模型較好特征表現(xiàn)能力的同時(shí)，在一定程度上解決故障診斷中數(shù)據(jù)分布變化的問題。

基于遷移學(xué)習(xí)的故障診斷研究也有一些成果，GUO等[18]提出一種由條件識別模塊和域自適應(yīng)模塊組成的深度卷積遷移學(xué)習(xí)網(wǎng)絡(luò)(Deep Convolutional Transfer Learning Network, DCTLN);YANG等[19]提出一種基于特征的遷移學(xué)習(xí)網(wǎng)絡(luò)(Feature-based Transfer Neural Network, FTNN)，設(shè)計(jì)了卷積神經(jīng)網(wǎng)絡(luò)模型損失函數(shù)的正則化項(xiàng)，以減少數(shù)據(jù)分布差異；SHEN等[20]提出一種基于遷移學(xué)習(xí)的軸承故障診斷方法，利用輔助數(shù)據(jù)來輔助目標(biāo)域的數(shù)據(jù)分類；馮毅雄等[21]提出一種集成遷移學(xué)習(xí)的軸件表面缺陷實(shí)時(shí)檢測方法，建立了高速生產(chǎn)狀態(tài)下的軸件表面缺陷實(shí)時(shí)檢測模型；LI等[22]提出使用域適應(yīng)深度自編碼器方法來實(shí)現(xiàn)故障診斷，首先使用自動編碼器結(jié)構(gòu)將不同設(shè)備的特征投影到相同的子空間中，然后采用域自適應(yīng)算法，最大程度地減少來自不同機(jī)器的數(shù)據(jù)之間的分布差異；LU等[23]提出了域自適應(yīng)性的深度神經(jīng)網(wǎng)絡(luò)模型，用于故障診斷，并探索出模型最佳超參數(shù)的幾種策略。目前，現(xiàn)有的遷移學(xué)習(xí)與域自適應(yīng)方法更多傾向于解決加速模型訓(xùn)練、輔助數(shù)據(jù)分類、學(xué)習(xí)特征的域不變性的問題，對于如何更好地提取數(shù)據(jù)的特征與分層次的學(xué)習(xí)特征的域不變性缺乏討論。

針對故障診斷中數(shù)據(jù)分布變化的問題，本文提出了基于域適應(yīng)的神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)的無監(jiān)督故障診斷方法，重點(diǎn)解決源域有標(biāo)簽。而目標(biāo)域沒有標(biāo)簽的情況，則考慮通過源域的標(biāo)簽直接將模型遷移至目標(biāo)域，完成無監(jiān)督分類任務(wù)。將域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)方法相結(jié)合，可以很好地在利用好域適應(yīng)神經(jīng)網(wǎng)絡(luò)的深度網(wǎng)絡(luò)的特征提取與遷移能力的同時(shí)，進(jìn)一步利用聯(lián)合分布自適應(yīng)方法的遷移能力，在提取的特征上進(jìn)行遷移。該方法采用了信號轉(zhuǎn)圖像方法，并使用卷積神經(jīng)網(wǎng)絡(luò)的方法對診斷數(shù)據(jù)進(jìn)行特征提取，分層次地采用了深度遷移學(xué)習(xí)與傳統(tǒng)淺層遷移學(xué)習(xí)方法，對診斷數(shù)據(jù)進(jìn)行了深度與淺層的特征域遷移。在深度網(wǎng)絡(luò)中，將由深度網(wǎng)絡(luò)所生成的源域與目標(biāo)域特征通過最小化最大均值差異(Maximum Mean Discrepancy, MMD)損失，使得兩個(gè)域的特征分布靠近；在淺層網(wǎng)絡(luò)中，聯(lián)合分布自適應(yīng)方法通過減少源域與目標(biāo)域的邊緣分布與條件分布的差異，達(dá)到遷移學(xué)習(xí)效果。

1 遷移學(xué)習(xí)算法簡介

目前，基于數(shù)據(jù)驅(qū)動的故障診斷方法大部分使用的是傳統(tǒng)的機(jī)器學(xué)習(xí)方法。傳統(tǒng)機(jī)器學(xué)習(xí)方法是解決訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的數(shù)據(jù)分布相同且訓(xùn)練任務(wù)和測試任務(wù)也相同的問題，但無法解決故障診斷數(shù)據(jù)分布發(fā)生變化的情況；而遷移學(xué)習(xí)是解決不同數(shù)據(jù)分布，或者不同學(xué)習(xí)任務(wù)的問題。PAN等[13]總結(jié)了遷移學(xué)習(xí)有3種類型，分別是源域與目標(biāo)域數(shù)據(jù)有分布差異、源任務(wù)與目標(biāo)任務(wù)有差異或兩者兼而有之。而其中域自適應(yīng)方法[24]作為一種遷移學(xué)習(xí)，主要解決源域任務(wù)與目標(biāo)域任務(wù)相同，源域數(shù)據(jù)分布與目標(biāo)域數(shù)據(jù)分布不同的問題。故障診斷問題中，數(shù)據(jù)分布變化的診斷數(shù)據(jù)可以看作是遷移學(xué)習(xí)中的數(shù)據(jù)分布不同的源域與目標(biāo)域，因此域自適應(yīng)方法就可以解決數(shù)據(jù)分布變化的故障診斷問題。

在域自適應(yīng)方法中，有兩個(gè)域：具有足夠標(biāo)記數(shù)據(jù){Xs，Ys}的源域和沒有標(biāo)記數(shù)據(jù){Xt}的目標(biāo)域。根據(jù)CSURKA等[25]的觀點(diǎn)，深度域適應(yīng)可以概括為3種情況：基于差異的深度域自適應(yīng)方法[26]、基于對抗網(wǎng)絡(luò)的深度域自適應(yīng)方法[27]和基于重構(gòu)的深度域自適應(yīng)方法[28]。

1.1 域適應(yīng)神經(jīng)網(wǎng)絡(luò)方法

域適應(yīng)神經(jīng)網(wǎng)絡(luò)方法由GHIFARY等[29]提出，該方法屬于域自適應(yīng)方法，在給定分別屬于不同數(shù)據(jù)分布的源域Ds={Xs，Ys}與目標(biāo)域{Xt}下，能夠準(zhǔn)確地對無標(biāo)簽數(shù)據(jù)的目標(biāo)域數(shù)據(jù)進(jìn)行分類。該方法采用了一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)模型來處理領(lǐng)域自適應(yīng)問題。將最大平均差異度量作為源域監(jiān)督學(xué)習(xí)中的正則化方法，以減少特征空間中源域和目標(biāo)域之間的數(shù)據(jù)分布不匹配性。

所用到的最大平均差異度量是衡量兩個(gè)樣本中概率分布之間差異的方法。給定源域與目標(biāo)域之間的條件概率分布分別為p與q,則最大平均差異度量(MMD)定義如下：

(1)

式中：X′S和X′T是XS和XT的映射，X′S={x′Si}={?(xSi)}，X′T={x′Ti}={?(xTi)} ；?(·)是映射函數(shù)，該映射函數(shù)主要是將源域與目標(biāo)域映射至高維希爾伯特空間上，在該空間里，源域與目標(biāo)域的數(shù)據(jù)分布差距能夠減少。

這種MMD方法在域適應(yīng)與遷移學(xué)習(xí)方法中已經(jīng)被廣泛使用，PAN等[30]提出了基于主成分分析(Principal Components Analysis, PCA)模型的遷移成分分析(Transfer Component Analysis, TCA)方法，采用MMD來衡量樣本間的差異；CHEN等[31]提出了具有數(shù)據(jù)分布自適應(yīng)功能的屬性網(wǎng)絡(luò)嵌入(Attributed Network Embedding with Data Distribution Adaptation, ANEDDA)方法，利用TCA方法來識別通用特征。實(shí)驗(yàn)證明該度量函數(shù)的確可以有效地度量兩個(gè)樣本分布的情況，減小MMD的方法能夠有效地進(jìn)行遷移學(xué)習(xí)。

域適應(yīng)神經(jīng)網(wǎng)絡(luò)方法將MMD度量方法作為正則化方法嵌入到有監(jiān)督的反向傳播訓(xùn)練中。 通過這種正則化方法，旨在訓(xùn)練網(wǎng)絡(luò)參數(shù)，從而優(yōu)化監(jiān)督準(zhǔn)則，使得源域與目標(biāo)域的隱藏層特征表示數(shù)據(jù)分布差異減少。其方法的損失函數(shù)如下：

JDANN=JNNs+γMMD。

(2)

式中：JNNs表示域適應(yīng)神經(jīng)網(wǎng)絡(luò)中由源域數(shù)據(jù)訓(xùn)練得到的分類損失；MMD表示源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)在網(wǎng)絡(luò)隱藏層特征之間的分布差異；γ為對兩個(gè)損失之間的權(quán)重平衡參數(shù)。

1.2 聯(lián)合分布自適應(yīng)方法

聯(lián)合分布自適應(yīng)方法由LONG等[32]提出。在該方法中，源域Ds={Xs，Ys}，目標(biāo)域Dt={Xt}，包括兩個(gè)假設(shè)：①源域和目標(biāo)域邊緣分布不同：Ps(xs)≠Pt(xt)；②源域和目標(biāo)域條件分布不同：Qs(ys|xs)≠Q(mào)t(yt|xt) 。聯(lián)合分布自適應(yīng)方法的目標(biāo)就是尋找一個(gè)變換A,使經(jīng)過變換后的邊緣分布Ps(ATxs)與Pt(ATxt)、條件分布Ps(ys|ATxs)與Pt(yt|ATxt)同時(shí)相近。

首先減小邊緣概率分布差異，使得Ps(ATxs)與Pt(ATxt)盡可能相近，同TCA方法一樣，仍然采用最大均值化差異MMD距離來衡量兩個(gè)分布的邊緣概率分布差異。其中ns與nt分別表示源域與目標(biāo)域的樣本個(gè)數(shù)。

(3)

(4)

然后對源域與目標(biāo)域的條件概率分布進(jìn)行適配，使得Ps(ys|ATxs)與Pt(yt|ATxt)的距離也盡可能的小。得到總的優(yōu)化目標(biāo)為：

(5)

式中：Θ為拉克朗日乘子；H為中心矩陣;I為單位矩陣。

2 基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)的故障診斷方法

2.1 方法的整體框架

該無監(jiān)督故障診斷方法包括信號預(yù)處理階段、基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)模型深度訓(xùn)練階段和聯(lián)合分布自適應(yīng)淺層訓(xùn)練3個(gè)階段，方法整體流程框架如圖1所示。該方法主要包括3個(gè)步驟：①將源域有標(biāo)簽的故障診斷數(shù)據(jù)與目標(biāo)域無標(biāo)簽的故障的數(shù)據(jù)均轉(zhuǎn)化為RGB圖像。②將源域所轉(zhuǎn)化的RGB圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)構(gòu)成特征生成器與Softmax分類器，與源域標(biāo)簽一起訓(xùn)練得到一個(gè)源域的特征生成器與分類器，再將目標(biāo)域所轉(zhuǎn)化的RGB圖像也參與原始特征生成器與分類器的訓(xùn)練，在分類損失函數(shù)的基礎(chǔ)上加入MMD最大平均差異度量損失函數(shù)，最終實(shí)現(xiàn)基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。③源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)經(jīng)過深度域適應(yīng)網(wǎng)絡(luò)模型得到的源域特征與目標(biāo)域特征，將所得到的特征作為聯(lián)合分布自適應(yīng)方法的輸入，構(gòu)建MMD矩陣，尋求自適應(yīng)矩陣，將源域特征與目標(biāo)域特征進(jìn)一步映射至域相近的高維空間，然后使用K-近鄰方法，最終完成目標(biāo)域的預(yù)測。

該方法主要適用于機(jī)械設(shè)備工作環(huán)境經(jīng)常發(fā)生變化、故障數(shù)據(jù)分布發(fā)生改變的情況，機(jī)械設(shè)備在某一工作條件下，已經(jīng)獲得了較多的振動信號的標(biāo)簽故障數(shù)據(jù)，當(dāng)機(jī)械設(shè)備工作環(huán)境發(fā)生變化，能夠獲得該機(jī)械設(shè)備的相同類型的振動故障數(shù)據(jù)時(shí)，可以通過該方法，在無需任何該工作條件下的帶標(biāo)簽故障數(shù)據(jù)，就能提高機(jī)械設(shè)備在這一工作條件下的故障診斷的精度。

2.2 信號轉(zhuǎn)圖像

由于故障診斷信號一般為一維的時(shí)序振動信號，而卷積神經(jīng)網(wǎng)絡(luò)在對圖像進(jìn)行特征提取上具有杰出的表現(xiàn)，為了使卷積神經(jīng)網(wǎng)絡(luò)能對故障診斷信號進(jìn)行較好的特征提取，將一維的時(shí)序信號轉(zhuǎn)化為圖像信號。

假設(shè)圖像的大小為n×n，截取的步長為a，則第m個(gè)截取部分應(yīng)為L(m×a+x)。 對截取部分使用快速傅立葉變換(Fast Fourier Transform, FFT)，abs(·)函數(shù)對FFT變換結(jié)果取絕對值。然后，使用round(·)對信號進(jìn)行四舍五入，最后將信號轉(zhuǎn)換為RGB圖像。

L(m×a+x)=abs(FFT(L(m×a+x))),

(6)

(7)

2.3 域適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練步驟

如圖2所示，神經(jīng)網(wǎng)絡(luò)中特征生成器由3個(gè)卷積層、3個(gè)批標(biāo)準(zhǔn)化(Batch Normalization, BN)層、兩個(gè)Max_poll2d層和一個(gè)全連接層組成，激活函數(shù)為線性整流函數(shù)(Rectified Linear Unit, ReLU)。分類器部分包括兩個(gè)完全連接層和兩個(gè)BN層。特征生成器部分生成的源域特征與目標(biāo)域特征將用于計(jì)算源域與目標(biāo)域之間的MMD損失，并將損失直接加入模型的分類損失中。域適應(yīng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下：

輸入:源域Ds={Xs,Ys},目標(biāo)域Dt={Xt}; 輸出:特征生成器G,分類器F,源域與目標(biāo)域特征。 開始 前向傳播: 使用源域Ds={Xs,Ys},目標(biāo)域Dt={Xt},獲得源域特征與目標(biāo)域特征 反向傳播: 計(jì)算MMD損失,與源域的分類損失JNNs,總損失JDANN=JNNs+γMMD,對模型進(jìn)行反向傳播直到收斂 返回特征生成器G,分類器F1,F2,源域與目標(biāo)域特征。

3 實(shí)驗(yàn)結(jié)果與分析

將基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)方法與聯(lián)合分布自適應(yīng)方法在著名的滾動軸承數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。該實(shí)驗(yàn)在目標(biāo)域沒有任何標(biāo)簽樣本數(shù)據(jù)下，對目標(biāo)域進(jìn)行無監(jiān)督故障診斷，通過與其他實(shí)驗(yàn)進(jìn)行對比，來討論該方法在處理由于工作條件變化而帶來的故障診斷無監(jiān)督問題上的有效性與適用性。另外，為了模擬故障診斷問題在實(shí)際生產(chǎn)過程中的情況，逐步降低源域中標(biāo)簽樣本數(shù)量，討論源域中標(biāo)簽樣本數(shù)量變化對該方法所產(chǎn)生的影響，進(jìn)一步討論該方法在無監(jiān)督故障診斷問題上的有效性與適用性。

本實(shí)驗(yàn)采用Python編程，程序的運(yùn)行環(huán)境是Win10系統(tǒng)，Inter i7處理器，9 750H CPU，主頻2.6 GHz。

3.1 故障診斷數(shù)據(jù)集

凱斯西儲大學(xué)(Case Western Reserve University, CWRU)數(shù)據(jù)集[33]是著名的機(jī)械設(shè)備故障診斷數(shù)據(jù)集，由Reliance電動機(jī)驅(qū)動，驅(qū)動軸上安裝扭矩傳感器，將故障植入到驅(qū)動和風(fēng)扇端軸承。故障類型有內(nèi)圈斷層、外圈斷層和球斷層，這3種故障均有3種不同的尺寸大小，分別是0.007英尺、0.014英尺和0.021英尺。加上健康類型，因此CWRU數(shù)據(jù)集的故障診斷數(shù)據(jù)有10種故障類型。這10種故障類型在0～3馬力的負(fù)載下都有記錄。因此，整個(gè)CWRU故障診斷數(shù)據(jù)集可以獲得4個(gè)不同的工作條件下的實(shí)驗(yàn)數(shù)據(jù)。如圖3所示為CWRU數(shù)據(jù)集試驗(yàn)臺。

3.2 CWRU數(shù)據(jù)集數(shù)據(jù)分布分析

CWRU數(shù)據(jù)集有4種工作狀態(tài)下的數(shù)據(jù)，為了驗(yàn)證所提方法是否能夠處理故障診斷的數(shù)據(jù)分布不同的問題，本節(jié)將討論CWRU數(shù)據(jù)集在不同工作狀態(tài)下的數(shù)據(jù)以及其數(shù)據(jù)分布是否會發(fā)生變化為了更加直觀地體現(xiàn)CWRU數(shù)據(jù)集的數(shù)據(jù)分布，采用隨機(jī)近鄰嵌入(T-distributed Stochastic Neighbor Embedding, TSNE)的方法，先對不同工作狀態(tài)下的1 024維特征的數(shù)據(jù)進(jìn)行聚類，投射到二維空間，然后再根據(jù)真實(shí)標(biāo)簽，畫出其數(shù)據(jù)分布，如圖4～圖7所示。圖4～圖7中橫縱坐標(biāo)分別代表該聚類后二維空間的坐標(biāo)，圖中不同顏色代表在該工作狀態(tài)下數(shù)據(jù)的真實(shí)標(biāo)簽。總共10種類別，分別對應(yīng)10種顏色。

從圖4～圖7可以看出，CWRU數(shù)據(jù)集中，不同馬力負(fù)載下，不同類別的數(shù)據(jù)經(jīng)過TSNE聚類后，在二維空間的分布情況發(fā)生了不同程度的變化，證明其原始數(shù)據(jù)的數(shù)據(jù)分布均發(fā)生了不同程度的變化，若直接將在某一馬力負(fù)載下訓(xùn)練出來的模型運(yùn)用在另一負(fù)載下，其模型性能將會大大降低，因此所提的方法在該情況下具有較大意義，使用CWRU數(shù)據(jù)集完成所提方法有效性驗(yàn)證具有較大說服力。

3.3 訓(xùn)練數(shù)量變化時(shí)遷移學(xué)習(xí)方法效果

CWRU數(shù)據(jù)集是著名的滾動軸承數(shù)據(jù)集，數(shù)據(jù)集內(nèi)采集了不同工作狀態(tài)的機(jī)械振動信號，3.2節(jié)也證明了不同工作狀態(tài)的機(jī)械振動信號，其數(shù)據(jù)分布也不同。因此，本節(jié)將基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)方法用于該數(shù)據(jù)集進(jìn)行無監(jiān)督故障診斷的方法驗(yàn)證，將某一工作狀態(tài)下的數(shù)據(jù)作為源域數(shù)據(jù)，將另一工作狀態(tài)下的數(shù)據(jù)作為目標(biāo)域數(shù)據(jù)?？紤]到在實(shí)際生產(chǎn)過程中，源域的數(shù)據(jù)也可能會較少，為了進(jìn)一步驗(yàn)證所提方法的有效性與可行性，在目標(biāo)域無任何標(biāo)簽數(shù)據(jù)的情況下，減少源域的標(biāo)簽數(shù)據(jù)，討論源域訓(xùn)練樣本數(shù)據(jù)量變化對該方法所產(chǎn)生的影響。本部分實(shí)驗(yàn)將原始源域訓(xùn)練數(shù)量從16 000幅降低為1 600幅。為了保證實(shí)驗(yàn)的一般性，每組實(shí)驗(yàn)均連續(xù)運(yùn)行了10次，并將4種不同狀態(tài)的數(shù)據(jù)分別當(dāng)作源域和目標(biāo)域進(jìn)行了實(shí)驗(yàn)。如表1所示，L0、L1、L2與L3分別代表0馬力負(fù)載、1馬力負(fù)載、2馬力負(fù)載與3馬力負(fù)載的情況。例如L0-L1代表將0馬力負(fù)載的數(shù)據(jù)作為源域、1馬力負(fù)載的數(shù)據(jù)作為目標(biāo)域而進(jìn)行的實(shí)驗(yàn)，表中給出的為95%的置信區(qū)間。表1給出了源域標(biāo)簽數(shù)量為16 000時(shí)，目標(biāo)域作為測試集的實(shí)驗(yàn)準(zhǔn)確率，表2給出了源域標(biāo)簽數(shù)量為1 600時(shí)，目標(biāo)域作為測試集的實(shí)驗(yàn)準(zhǔn)確率。

表1 源域標(biāo)簽數(shù)據(jù)量為16 000時(shí)目標(biāo)域?qū)嶒?yàn)準(zhǔn)確率

表2 源域標(biāo)簽數(shù)據(jù)量為1 600時(shí)目標(biāo)域?qū)嶒?yàn)準(zhǔn)確率

從表1和表2可以看出，在未經(jīng)過任何域自適應(yīng)遷移學(xué)習(xí)方法的處理下，只利用源域數(shù)據(jù)訓(xùn)練的CNN模型在目標(biāo)域上的準(zhǔn)確率較低，分別經(jīng)過域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)方法處理過的模型，可以適當(dāng)?shù)靥岣吣繕?biāo)域無監(jiān)督故障診斷的準(zhǔn)確性與穩(wěn)定性，同時(shí)經(jīng)過域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)方法處理過的模型，能夠達(dá)到更高的準(zhǔn)確性與穩(wěn)定性。另外，在面臨更為嚴(yán)峻的故障診斷條件下，即源域的標(biāo)簽數(shù)據(jù)減少到1 600時(shí)，只利用CNN模型的方法準(zhǔn)確率下降明顯，分別只利用域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)方法的模型，準(zhǔn)確性也下降較多，基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)的方法均優(yōu)于其他方法。

3.4 所提方法與其他方法的結(jié)果對比

為了進(jìn)一步說明所提方法的優(yōu)勢，證明所提方法的有效性與可行性，將基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)的方法與已有的其他遷移學(xué)習(xí)模型方法進(jìn)行比較(如表3)，分別為：由ZHANG等[34]提出的自適應(yīng)批量歸一化方法(Adaptive Batch Normalization, AdaBN)方法，LI等[35]提出的多層最大平均化差異方法(Maximum Mean Discrepancies-Multiple Layers, MMD-ML)，ZHANG等[36]提出的對抗域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)(Adversarial Adaptive Convolutional Neural Networks,A2CNN)方法。表3中，其他方法在文獻(xiàn)中只給出了部分遷移學(xué)習(xí)情況的數(shù)據(jù)結(jié)果，并且只有平均值，未給出置信區(qū)間。本文所提方法給出了全部測試情況的95%的置信區(qū)間結(jié)果。

表3 所提的方法與其他模型比較

由表3可以看出，所提方法在平均準(zhǔn)確率上高于其他方法，這是因?yàn)樗岱椒ㄊ褂昧颂卣魈崛∧芰^強(qiáng)的CNN網(wǎng)絡(luò)，并多次使用域適應(yīng)方法，使得源域與目標(biāo)域的特征能夠在高維空間維度上盡可能地相近，從而進(jìn)一步證明了所提方法的有效性。

綜上所述，基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)方法在目標(biāo)域的無監(jiān)督故障診斷上可以達(dá)到較高的準(zhǔn)確率，因此基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)的方法可以有效地對知識進(jìn)行遷移，所提方法能夠處理由于數(shù)據(jù)分布改變造成的無監(jiān)督故障診斷問題，該方法可以訓(xùn)練出更高的準(zhǔn)確率與更具魯棒性的無監(jiān)督深度學(xué)習(xí)故障診斷模型。

4 結(jié)束語

為了解決由于工件狀態(tài)經(jīng)常發(fā)生變化，訓(xùn)練集與測試集數(shù)據(jù)分布不同，導(dǎo)致的目標(biāo)域中無標(biāo)簽樣本的故障診斷問題，本文提出一種基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)的無監(jiān)督故障診斷方法，通過CNN卷積神經(jīng)網(wǎng)絡(luò)模型從預(yù)先轉(zhuǎn)化為圖片的故障振動信號數(shù)據(jù)中提取深度特征，利用域適應(yīng)神經(jīng)網(wǎng)絡(luò)模型將不同數(shù)據(jù)分布的數(shù)據(jù)在深度特征維度上進(jìn)行數(shù)據(jù)分布的拉近，再利用聯(lián)合分布自適應(yīng)方法，再次將訓(xùn)練得到的深度特征映射至高維特征空間，使得源域與目標(biāo)域的邊緣數(shù)據(jù)分布與條件分布進(jìn)一步靠近，最后得到分類結(jié)果。在凱斯西儲大學(xué)的數(shù)據(jù)集上完成了實(shí)驗(yàn)驗(yàn)證，對故障診斷條件進(jìn)一步限制，逐步降低源域中標(biāo)簽樣本數(shù)量，以驗(yàn)證模型的有效性與可行性。結(jié)果表明，基于域適應(yīng)神經(jīng)網(wǎng)絡(luò)與聯(lián)合分布自適應(yīng)方法的模型能夠在無監(jiān)督故障診斷問題上得到更高準(zhǔn)確率與更具魯棒性的結(jié)果，從而驗(yàn)證了算法具有可行性與有效性。

本研究只對故障診斷中的故障振動信號進(jìn)行了討論，未討論其他類別的故障診斷信號，因此未來可以針對不同類別的故障診斷信號提出合適的模型。