韓樹(shù)發(fā)， 于穎， 唐堂， 陳明， 王亮, 夏躍利

(同濟(jì)大學(xué) 1a. 機(jī)械與能源工程學(xué)院； 1b. 中德工程學(xué)院，上海 201804；2. 云內(nèi)動(dòng)力股份有限公司 昆明 201804)

0 引言

如今，基于數(shù)據(jù)驅(qū)動(dòng)的智能故障診斷算法取得了優(yōu)異的結(jié)果。數(shù)據(jù)驅(qū)動(dòng)算法從大量歷史數(shù)據(jù)中自主學(xué)習(xí)故障數(shù)據(jù)的內(nèi)在特征，替代傳統(tǒng)的手工特征提取。近年來(lái)，深度神經(jīng)網(wǎng)絡(luò)(DNN)展現(xiàn)出強(qiáng)大的分層特征提取能力。其中卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種特殊的神經(jīng)網(wǎng)絡(luò)形式。由于其稀疏連接性，參數(shù)共享性及平移不變性，CNN能夠提取更為魯棒的特征，在圖像分類(lèi)領(lǐng)域取得了顯著的成果[1]。近兩年來(lái)，基于CNN的故障診斷方法吸引了大量學(xué)者研究[2-5]。這些研究結(jié)果顯示，相比與其他數(shù)據(jù)驅(qū)動(dòng)算法，CNN表現(xiàn)出更為優(yōu)異的效果，具有良好的研究前景。

盡管基于深度學(xué)習(xí)的故障診斷取得了如此高的理論準(zhǔn)確率，目前提出的算法仍存在巨大缺點(diǎn)，難以滿足實(shí)際應(yīng)用要求。目前基于深度學(xué)習(xí)的故障診斷算法都基于一個(gè)共同的假設(shè)，即訓(xùn)練數(shù)據(jù)(也稱(chēng)為源數(shù)據(jù))與測(cè)試數(shù)據(jù)(也稱(chēng)為目標(biāo)數(shù)據(jù))必須具有相同的概率分布。然而在實(shí)際工業(yè)應(yīng)用中設(shè)備的工況復(fù)雜多變，這一假設(shè)很難滿足。當(dāng)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)分布不同時(shí)，深度學(xué)習(xí)模型的識(shí)別準(zhǔn)確率往往會(huì)顯著下降，識(shí)別的效果也變得不穩(wěn)定。這是由于不同工況的故障數(shù)據(jù)特征分布不同，傳統(tǒng)的深度學(xué)習(xí)算法在訓(xùn)練數(shù)據(jù)中提取的特征在測(cè)試數(shù)據(jù)中不適用。為此需要引入一種新方法解決源數(shù)據(jù)與目標(biāo)數(shù)據(jù)特征分布差異的問(wèn)題。

遷移學(xué)習(xí)(Transfer learning, TL)是一個(gè)可以解決跨域問(wèn)題的機(jī)器學(xué)習(xí)方法。廣泛應(yīng)用與源數(shù)據(jù)與目標(biāo)數(shù)據(jù)來(lái)自不同分布的情況。遷移學(xué)習(xí)從源域中學(xué)習(xí)知識(shí)，并通過(guò)這些知識(shí)協(xié)助目標(biāo)域的分類(lèi)問(wèn)題。微調(diào)(Fine-tune)是一個(gè)有效的遷移學(xué)習(xí)方法[6]，適用于當(dāng)源數(shù)據(jù)與目標(biāo)數(shù)據(jù)都有標(biāo)簽的情況。然而，在實(shí)際工業(yè)的故障診斷中，難以收集到足夠的標(biāo)簽?zāi)繕?biāo)數(shù)據(jù)。為了解決目標(biāo)數(shù)據(jù)無(wú)標(biāo)簽時(shí)的分類(lèi)問(wèn)題，領(lǐng)域自適應(yīng)(domain adaptation)技術(shù)被大量地研究[7-10]。

相對(duì)于傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法，領(lǐng)域自適應(yīng)技術(shù)在多工況故障診斷方面展現(xiàn)了巨大的潛力。然而，當(dāng)前該方面的研究仍處于初步階段。目前應(yīng)用在故障診斷中的領(lǐng)域自適應(yīng)算法的共同點(diǎn)是最小化源數(shù)據(jù)與目標(biāo)數(shù)據(jù)在潛在特征空間中特征分布的差異[11-13]。但這些方法只考慮到減小邊緣分布的距離。然而文獻(xiàn)[14]指出，同時(shí)將邊緣分布與條件邊緣分布相匹配，可以提高模型遷移的魯棒性?？紤]到實(shí)際工業(yè)應(yīng)用情況，目標(biāo)域大多為無(wú)標(biāo)簽數(shù)據(jù)，因此估計(jì)目標(biāo)域的條件邊緣分布十分困難。本文在原有的領(lǐng)域自適應(yīng)的基礎(chǔ)上，提出了在無(wú)標(biāo)簽?zāi)繕?biāo)域內(nèi)估算條件邊緣分布的方法，進(jìn)而提出了一種同時(shí)匹配邊緣分布與條件邊緣分布的領(lǐng)域自適應(yīng)方法，即為聯(lián)合領(lǐng)域自適應(yīng)算法。將聯(lián)合領(lǐng)域自適應(yīng)算法與CNN結(jié)合，設(shè)計(jì)了一種端到端的多工況故障診斷模型，命名為JDACNN(Joint domain adaptation convolutional neural network)。在本文的實(shí)驗(yàn)中，與當(dāng)前的故障診斷深度遷移模型相比，該模型展示出了更強(qiáng)的遷移學(xué)習(xí)能力。

1 相關(guān)研究

(1) CNN特征提取

基本的CNN結(jié)構(gòu)主要由3種類(lèi)型的分層構(gòu)成，即卷積層、池化層和全連接層。在卷積層中，卷積核掃描全部輸入得到特征圖；在池化層中，通過(guò)下采樣運(yùn)算來(lái)減小輸出的大小并保持平移不變性。

目前基于CNN的故障診斷研究主要著眼于提取特征的泛化性[15-17]。文獻(xiàn)[15]提出了隨機(jī)卷積和深度信念網(wǎng)絡(luò)(SCDBN)的端到端模型，該模型通過(guò)隨機(jī)卷積核從不同類(lèi)別的軸承數(shù)據(jù)中提取更為泛化的特征。文獻(xiàn)[16]提出了Lifting-Net這一新型CNN架構(gòu)，在多轉(zhuǎn)速高噪音的工況下對(duì)故障數(shù)據(jù)進(jìn)行分類(lèi)。文獻(xiàn)[17]提出的CNN模型不依賴(lài)目標(biāo)數(shù)據(jù)信息，在負(fù)載變化的工況下對(duì)故障的識(shí)別取得較好的效果。

(2) 領(lǐng)域自適應(yīng)

遷移學(xué)習(xí)是一種解決在源數(shù)據(jù)和目標(biāo)數(shù)據(jù)來(lái)自不同特征分布時(shí)分類(lèi)準(zhǔn)確率下降的機(jī)器學(xué)習(xí)方法[18]。 在遷移學(xué)習(xí)中，領(lǐng)域自適應(yīng)是一個(gè)能夠從大量的源域數(shù)據(jù)學(xué)習(xí)到知識(shí)轉(zhuǎn)移至無(wú)標(biāo)簽?zāi)繕?biāo)域的有效技術(shù)。領(lǐng)域自適應(yīng)通過(guò)減少源域與目標(biāo)域之間的差異，在目標(biāo)域無(wú)標(biāo)簽的情況下完成了知識(shí)的遷移。領(lǐng)域自適應(yīng)的目的是找到一個(gè)源域與目標(biāo)域共享的特征空間，并在這個(gè)特征空間內(nèi)訓(xùn)練分類(lèi)器。在故障診斷領(lǐng)域，領(lǐng)域自適應(yīng)技術(shù)被初步地應(yīng)用。為了解決跨域的特征提取問(wèn)題，文獻(xiàn)[11]將遷移成分分析(TCA)算法應(yīng)用于故障領(lǐng)域中，旨在減少不同工況下故障信號(hào)的特征分布差異。為了學(xué)習(xí)遷移性的故障數(shù)據(jù)特征，文獻(xiàn)[12]將深度神經(jīng)網(wǎng)絡(luò)與領(lǐng)域自適應(yīng)技術(shù)結(jié)合，提出了一個(gè)新型深度神經(jīng)網(wǎng)絡(luò)模型。該模型適用自編碼器提取源數(shù)據(jù)的特征，同時(shí)通過(guò)減小最大均值差異(MMD)來(lái)縮小源域與目標(biāo)域特征分布的距離。最終，采用支持向量機(jī)(SVM)作為分類(lèi)器來(lái)對(duì)自適應(yīng)的特征進(jìn)行分類(lèi)。文獻(xiàn)[13]提出了一個(gè)深度遷移學(xué)習(xí)模型來(lái)提高模型在無(wú)標(biāo)簽?zāi)繕?biāo)數(shù)據(jù)上的表現(xiàn)。在該文章中，首先利用源數(shù)據(jù)預(yù)訓(xùn)練一個(gè)3層的稀疏自編碼器(SAE)，然后通過(guò)同時(shí)最小化源數(shù)據(jù)的分類(lèi)損失與MMD對(duì)模型進(jìn)行微調(diào)。下面將對(duì)領(lǐng)域自適應(yīng)做出定義：

其中，源域與目標(biāo)域的定義如式(1)。

(1)

Ds,Dt分別表示源域和目標(biāo)域。xs,xt分別表示源數(shù)據(jù)和目標(biāo)數(shù)據(jù)。ys表示源數(shù)據(jù)的標(biāo)簽。ns,nt分別表示源域和目標(biāo)域的樣本數(shù)量。

領(lǐng)域自適應(yīng)技術(shù)認(rèn)為源域和目標(biāo)域來(lái)自不同的邊緣分布，即P(xs)≠P(xt)。

領(lǐng)域自適應(yīng)的主流方法是通過(guò)源域和目標(biāo)域訓(xùn)練一個(gè)特征映射，使得映射后的共享特征子空間中源域和目標(biāo)域之間的差異最小，從而將目標(biāo)數(shù)據(jù)的分類(lèi)問(wèn)題轉(zhuǎn)移到源數(shù)據(jù)上。最大均值差異(MMD)評(píng)估源域和目標(biāo)域分布差異的常用方法[19]。MMD越小說(shuō)明差異就越小。

(2)

(3)

其中M表示MMD矩陣，Mij表示MMD矩陣中的元素；H表示轉(zhuǎn)換矩陣，h(·)表示數(shù)據(jù)特征的一個(gè)非線性變換。

2 改進(jìn)的深度遷移學(xué)習(xí)方法

在本章，我們提出了一個(gè)基于CNN的聯(lián)合領(lǐng)域自適應(yīng)模型(JDACNN)。通過(guò)最小化源域與目標(biāo)域之間的邊緣分布、條件邊緣分布的距離，通過(guò)自適應(yīng)層的映射可以將源域與目標(biāo)域映射到特征子空間。在這個(gè)特征子空間中，源域與目標(biāo)域的特征分布相同。從而將源域上有標(biāo)簽的分類(lèi)問(wèn)題遷移到目標(biāo)域中，提高模型在目標(biāo)域中的表現(xiàn)。

與CNN類(lèi)似，本文提出的JDACNN從源域中通過(guò)監(jiān)督學(xué)習(xí)的方式提取數(shù)據(jù)的分層特征。而與CNN不同之處在于，JDACNN將底部神經(jīng)層參數(shù)固定，頂部神經(jīng)層設(shè)置為自適應(yīng)層。自適應(yīng)層在源域和目標(biāo)域上進(jìn)行訓(xùn)練，通過(guò)減少M(fèi)MD使自適應(yīng)層上特征的分布差異減少，訓(xùn)練后的自適應(yīng)層可以將源域與目標(biāo)域特征映射到共同的特征子空間，從而完成知識(shí)的遷移。

(1) CNN結(jié)構(gòu)

模型的結(jié)構(gòu)是基于LeNet-5[20]進(jìn)行的改進(jìn)，該模型與LeNet-5不同之處在于：減少了卷積核尺寸以提高計(jì)算效率，增加卷積核數(shù)量以提高特征抓取能力，增加了一層全連接層，采用dropout技術(shù)，使用不同形式的激活函數(shù)與損失函數(shù)等。該模型包含2個(gè)卷積層，2個(gè)池化層與3個(gè)全連接層。故障信號(hào)的輸入圖尺寸為3232。模型的結(jié)構(gòu)如圖1所示。

圖1 JDACNN結(jié)構(gòu)

第1層，卷積核尺寸為，步長(zhǎng)為1，卷積核數(shù)量為16；第2層，池化范圍為，池化步長(zhǎng)為2；第3層卷積核尺寸為，步長(zhǎng)為1，卷積核數(shù)量為32；第4層池化范圍為，步長(zhǎng)為2；第5層到第6層為全連接層，節(jié)點(diǎn)數(shù)量為500。第7層為輸出層，節(jié)點(diǎn)數(shù)為4。

為了防止卷積與池化操作導(dǎo)致的維度損失，零填充(zero-padding)被應(yīng)用于卷積層與池化層。Drop-out技術(shù)與正則被應(yīng)用在全連接層，以避免模型的過(guò)擬合。Drop-out技術(shù)[21]以一定概率通過(guò)設(shè)置神經(jīng)元參數(shù)為0的方式，移除非輸出的神經(jīng)元。因此drop-out等價(jià)于訓(xùn)練多個(gè)子網(wǎng)絡(luò)的集合體，是一種計(jì)算量小但功能強(qiáng)大的模型正則化技術(shù)。在我們的模型中，drop-out的概率被設(shè)置為0.5。

線性整流函數(shù)(ReLU)函數(shù)被選作為本文模型的激活函數(shù)，定義如式(4)

ReLU(x)=max(0,x)

(4)

本文中CNN的損失函數(shù)被設(shè)為交叉熵?fù)p失函數(shù)與l2正則損失，如式(5)。

(5)

公式5中yi表示獨(dú)熱碼(one-hot)標(biāo)簽的第i個(gè)元素，ai表示預(yù)測(cè)的概率，λ代表l2損失的權(quán)重，n表示全連接層參數(shù)w的數(shù)量。

(2) 聯(lián)合領(lǐng)域自適應(yīng)技術(shù)

為了解決多工況下故障診斷準(zhǔn)確率下降的問(wèn)題，本文提出了改進(jìn)的領(lǐng)域自適應(yīng)技術(shù)——聯(lián)合領(lǐng)域自適應(yīng)技術(shù)。為了提高模型的遷移能力，本文提出的聯(lián)合領(lǐng)域自適應(yīng)技術(shù)，不僅考慮源域和目標(biāo)域來(lái)自不同的邊緣分布，同時(shí)也考慮到源域和目標(biāo)域來(lái)自不同的條件邊緣分布，即：P(xs|ys)≠P(xt|yt)。

嘗試在源域和目標(biāo)域上訓(xùn)練自適應(yīng)層的參數(shù)，通過(guò)降低自適應(yīng)層的MMD來(lái)減少特征分布之間的距離，最終通過(guò)自適應(yīng)層將源域與目標(biāo)域映射到一個(gè)共同的特征空間。如圖2所示。

1到4層為共享層，共享層從源域中提取泛化的特征。5到6層為全連接層，被設(shè)置為自適應(yīng)層。自適應(yīng)層的權(quán)重將由源數(shù)據(jù)與目標(biāo)數(shù)據(jù)共同訓(xùn)練。本文模型的目的是通過(guò)降低MMD，減小自適應(yīng)層所表示的特征的邊緣分布差異與條件邊緣分布的差異。

設(shè)h(·)為自適應(yīng)層的特征映射函數(shù)。源域與目標(biāo)域在潛在特征空間下邊緣分布的MMD如上述式2所定義。

受到文獻(xiàn)[14]的啟發(fā), 為了提高模型的遷移能力。本文提出的模型同時(shí)考慮邊緣分布與條件分布。對(duì)于任意類(lèi)別c，條件邊緣分布的MMD估計(jì)的是P(hs|y=c)與P(ht|y=c)之間的距離，如式(6)、式(7)。

(6)

(7)

為了獲得無(wú)標(biāo)簽?zāi)繕?biāo)數(shù)據(jù)的條件邊緣分布，我們?cè)陬A(yù)訓(xùn)練的網(wǎng)絡(luò)中預(yù)測(cè)目標(biāo)數(shù)據(jù)，獲得偽標(biāo)簽，并通過(guò)迭代的方式更新目標(biāo)數(shù)據(jù)的偽標(biāo)簽，進(jìn)而不斷提高網(wǎng)絡(luò)的表現(xiàn)。

圖2 本文模型結(jié)構(gòu)

(3) 最終損失函數(shù)

通過(guò)最小化邊緣分布與條件邊緣分布的MMD，經(jīng)過(guò)自適應(yīng)層的特征映射，源域與目標(biāo)域的特征分布被匹配起來(lái)。從而源域的分類(lèi)問(wèn)題被遷移到目標(biāo)域上。

將公式(2)，(5)，(6)結(jié)合，模型的損失函數(shù)定義如式(8)。

L=J+λ1MMDmar+λ2MMDcon

(8)

公式(8)中，λ1,λ2分別控制邊緣分布MMD與條件邊緣分布MMD的權(quán)重。

在訓(xùn)練階段，只有源域的樣本用于最小化分類(lèi)損失，源域與目標(biāo)域的樣本共同用于最小化MMD。優(yōu)化算法選為小批量的隨機(jī)梯度下降法。訓(xùn)練網(wǎng)絡(luò)的算法如算法1所示。

3 實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證模型的效果，本文采用了西儲(chǔ)大學(xué)(CWRU)的滾動(dòng)軸承故障集進(jìn)行了測(cè)試。西儲(chǔ)大學(xué)故障數(shù)據(jù)集包含4種工作負(fù)載(0HP，1HP，2HP，3HP)。數(shù)據(jù)標(biāo)簽包括正常(NO)，內(nèi)圈損壞(IF)，外圈損壞(OF)與滾子損壞(RF)。該滾動(dòng)軸承故障集使用加速度傳感器采集振動(dòng)信號(hào)，采樣頻率為12 Hz。本文選擇的是加速度傳感器安裝在電機(jī)驅(qū)動(dòng)端采集的數(shù)據(jù)。

算法1:JDACNN訓(xùn)練輸入:源數(shù)據(jù),源數(shù)據(jù)標(biāo)簽,目標(biāo)數(shù)據(jù)輸出:最優(yōu)的JDACNN模型1. 用源域數(shù)據(jù)Xs預(yù)訓(xùn)練JDACNN,預(yù)訓(xùn)練的損失函數(shù)如公式5所示;2. 固定層1到層4的參數(shù);3. 循環(huán): 用最新的JDACNN模型預(yù)測(cè)目標(biāo)數(shù)據(jù),獲得偽標(biāo)簽yt; 將Xs, Xt, ys, yt投入模型中,訓(xùn)練的損失函數(shù)為公式(8); 每訓(xùn)練一步,更新參數(shù),直到收斂。

(1) 準(zhǔn)備階段

本文提出的模型是一種端到端的故障診斷模型，采用源數(shù)據(jù)作為模型的輸入。本文中提出了一個(gè)將原始信號(hào)轉(zhuǎn)換為M×M圖片的方法，如圖3所示。

圖3 原始信號(hào)轉(zhuǎn)換圖片

首先沿著原始信號(hào)以Sd的步長(zhǎng)選擇M2個(gè)信號(hào)節(jié)點(diǎn)，如式(9)。

Sd=M-o×M

(9)

公式(9)中，o∈[0，1]為覆蓋率。o越大，會(huì)產(chǎn)生更多的樣本，如式(10)。

P(i,j)=N((i-1)×M+j)

(10)

公式(10)表示了圖片像素點(diǎn)與原始數(shù)據(jù)的對(duì)應(yīng)關(guān)系，P(i,j)代表圖片中第i行第j列的像素點(diǎn)。N(i)表示所選M2個(gè)原始數(shù)據(jù)節(jié)點(diǎn)中的第i個(gè)節(jié)點(diǎn)。

(2) 參數(shù)敏感性

本文中，MMD是對(duì)特征分布差異的估計(jì)。MMD越大，說(shuō)明特征分布差異越大，需要設(shè)置為自適應(yīng)層減少特征差異。CNN提取的底層特征為泛化特征，因此表現(xiàn)為MMD很小，無(wú)需對(duì)MMD很小的網(wǎng)絡(luò)層進(jìn)行自適應(yīng)處理。本文中，依據(jù)每層的MMD來(lái)選擇自適應(yīng)層，如圖4所示。

圖4 各層的MMD

圖4展示了層4到層6的MMD大小。注意到第5層與第6層的MMD明顯大于第4層的MMD。因此層5與層6被設(shè)為模型的自適應(yīng)層。

在網(wǎng)絡(luò)設(shè)計(jì)確定后，模型的超參數(shù)包括MMD權(quán)重λ1,λ2與訓(xùn)練批量大小(Batch size)S。在本段，對(duì)不同的超參數(shù)的選擇進(jìn)行了測(cè)試，以獲得模型最佳表現(xiàn)。

λ1,λ2分別控制了邊緣分布MMD與條件邊緣分布MMD的權(quán)重。權(quán)重越大，源域與目標(biāo)域的特征分布差異越小。但權(quán)重過(guò)大也會(huì)導(dǎo)致分類(lèi)損失難以收斂，影響分類(lèi)準(zhǔn)確率，如圖5所示。

(a) λ1,λ2灰度圖

(b) 批量大小

圖5(a)展示了λ1,λ2從[0, 0.1, 1, 10]這4個(gè)數(shù)值取值時(shí)模型的表現(xiàn)，圖中灰度值代表模型測(cè)試的準(zhǔn)確率。最終我們選擇λ1=1，λ2=1。

當(dāng)網(wǎng)絡(luò)訓(xùn)練時(shí)，故障數(shù)據(jù)的分布在小批量數(shù)據(jù)中被估計(jì)。一個(gè)小批量數(shù)據(jù)需要包含足夠多的源域與目標(biāo)域的樣本。批量大小決定了MMD估計(jì)的準(zhǔn)確程度，因此S需要足夠大。然而，過(guò)大批量會(huì)消耗大額的計(jì)算機(jī)內(nèi)存。圖5(b)展示了S在[200-1500]取值時(shí)模型的表現(xiàn)。最終我們選擇S=1 000。

(3) 測(cè)試結(jié)果

為了展示聯(lián)合領(lǐng)域自適應(yīng)深度學(xué)習(xí)算法的有效性，本文的JDACNN模型與相同結(jié)構(gòu)的CNN做比較，即只在源域數(shù)據(jù)上訓(xùn)練的CNN模型。JDACNN也與相同結(jié)構(gòu)的傳統(tǒng)的深度遷移神經(jīng)網(wǎng)絡(luò)做比較，即缺少匹配條件邊緣特征分布的領(lǐng)域自適應(yīng)CNN模型，驗(yàn)證聯(lián)合領(lǐng)域自適應(yīng)算法相較于傳統(tǒng)的領(lǐng)域自適應(yīng)算法的優(yōu)越性。

JDACNN也與其他數(shù)據(jù)驅(qū)動(dòng)算法比較來(lái)證明其良好的研究前景。相比較的算法包括傳統(tǒng)的機(jī)器學(xué)習(xí)算法SVM，傳統(tǒng)的深度學(xué)習(xí)算法人工神經(jīng)網(wǎng)絡(luò)(ANN)與經(jīng)典的遷移學(xué)習(xí)算法TCA[7]、聯(lián)合分布適配(JDA)。

在實(shí)驗(yàn)中，將0HP的數(shù)據(jù)作為源域數(shù)據(jù)，1HP到3HP的數(shù)據(jù)作為目標(biāo)域數(shù)據(jù)。這3中情況下的測(cè)試分類(lèi)準(zhǔn)確率，如表1所示。

表1 CWRU數(shù)據(jù)集測(cè)試準(zhǔn)確率

從檢測(cè)的結(jié)果來(lái)看，當(dāng)3HP數(shù)據(jù)集是目標(biāo)域時(shí)，JDACNN的識(shí)別準(zhǔn)確率達(dá)到97.57%。JDACNN平均準(zhǔn)確率是93.01%。在所有情況下，JDACNN的識(shí)別準(zhǔn)確率均超過(guò)傳統(tǒng)的DTN和有著同樣結(jié)構(gòu)的CNN。相對(duì)于CNN，JDACNN平均提高了8.68%，與傳統(tǒng)的DTN相比，JDACNN平均提高了5.08%。這充分證明了JDACNN在領(lǐng)域自適應(yīng)的有效性。與其他數(shù)據(jù)驅(qū)動(dòng)算法相比，JDA平均達(dá)到了86.67%的準(zhǔn)確率，比其他算法要高。然而，仍相對(duì)于JDACNN低6.34%，這充分證明了JDACNN在提升遷移能力與特征提取方面的有效性。

4 總結(jié)

當(dāng)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)來(lái)自不同分布時(shí)，傳統(tǒng)的深度學(xué)習(xí)算法分類(lèi)準(zhǔn)確率將明顯下降。本文提出的JDACNN模型，通過(guò)減小數(shù)據(jù)特征的邊緣分布、條件邊緣分布的MMD，提高了模型的遷移能力，解決了傳統(tǒng)深度學(xué)習(xí)算法準(zhǔn)確率下降的問(wèn)題。本文的主要貢獻(xiàn)如下：

1. 本文提出的模型減少了多工況故障診斷下的準(zhǔn)確率損失。模型在西儲(chǔ)大學(xué)滾動(dòng)軸承故障數(shù)據(jù)集中進(jìn)行測(cè)試。結(jié)果顯示應(yīng)用提出的聯(lián)合領(lǐng)域分布算法后，模型的表現(xiàn)有明顯的提高。

2. 成功地解決了聯(lián)合領(lǐng)域分布算法中估計(jì)無(wú)標(biāo)簽?zāi)繕?biāo)數(shù)據(jù)的條件邊緣分布的難題。通過(guò)迭代設(shè)置偽標(biāo)簽估計(jì)條件邊緣分布，提高了模型的遷移能力。

3. 為了提高模型的遷移能力，依據(jù)MMD選擇自適應(yīng)層，固定共享層參數(shù)，保留了模型從源域?qū)W習(xí)到的底層泛化特征。測(cè)試了模型的參數(shù)敏感度，以提高模型能力。最終設(shè)計(jì)了基于CNN的端到端的網(wǎng)絡(luò)結(jié)構(gòu)。

經(jīng)過(guò)實(shí)驗(yàn)測(cè)試，聯(lián)合領(lǐng)域自適應(yīng)技術(shù)表現(xiàn)出更強(qiáng)的遷移能力，展現(xiàn)了在多工況故障診斷方面良好的潛力。本文提出的JDACNN，仍有許多需要改進(jìn)的地方。

在CNN架構(gòu)方面，未來(lái)的研究方向?qū)⒅铝τ谔岣逤NN提取泛化特征的能力。更為泛化的底層特征將有助于聯(lián)合領(lǐng)域自適應(yīng)的知識(shí)遷移。此外，本文提出的JDACNN，在訓(xùn)練優(yōu)化時(shí)，容易發(fā)生收斂失敗。這是因?yàn)镽elu被用作激活函數(shù)，，當(dāng)未正確設(shè)置超參數(shù)時(shí)，一些神經(jīng)元將被過(guò)度激活，導(dǎo)致softmax函數(shù)指數(shù)值過(guò)大，易導(dǎo)致softmax層值的溢出。因此，應(yīng)進(jìn)一步研究一種適用的數(shù)據(jù)預(yù)處理方法，以避免神經(jīng)元過(guò)度激活的現(xiàn)象發(fā)生。