洪曉翠 段禮祥 徐繼威 付強(qiáng)

(1.中國石油大學(xué)(北京)安全與海洋工程學(xué)院 2.中國石油塔里木油田分公司)

0 引 言

在實(shí)際工程中，機(jī)械設(shè)備(如齒輪箱和滾動(dòng)軸承等)常在變工況(變速或變載)下運(yùn)行[1-3]，監(jiān)測(cè)信號(hào)呈現(xiàn)非平穩(wěn)、異分布的特點(diǎn)，故障特征頻率及其幅值也將隨轉(zhuǎn)速和負(fù)載而變化，具有時(shí)變特點(diǎn)，因此傳統(tǒng)的以恒定轉(zhuǎn)速和平穩(wěn)信號(hào)為前提的故障診斷方法(如時(shí)域分析和頻域分析等)難以有效提取故障特征[4]。

近年來，對(duì)變工況下機(jī)械設(shè)備故障診斷方法的研究受到了學(xué)者們的廣泛關(guān)注。一些學(xué)者從降低故障特征對(duì)工況敏感度的角度展開研究，采用同步線性調(diào)頻[5]、角域重采樣[6]及階比跟蹤[7]等技術(shù)進(jìn)行信號(hào)處理和特征提取，在一定程度上實(shí)現(xiàn)了變工況機(jī)械設(shè)備的故障診斷。但此類方法依賴專業(yè)的信號(hào)處理知識(shí)，且過程繁瑣復(fù)雜，難以滿足“工業(yè)大數(shù)據(jù)”背景下對(duì)高維、復(fù)雜及海量監(jiān)測(cè)數(shù)據(jù)進(jìn)行診斷分析的需求。隨著人工智能技術(shù)的不斷發(fā)展，機(jī)器學(xué)習(xí)逐漸被應(yīng)用于機(jī)械設(shè)備的跨工況診斷。常用的方法有淺層機(jī)器學(xué)習(xí)方法(如支持向量機(jī)[8]和K-近鄰算法[9]等)以及深度學(xué)習(xí)算法(如卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)[10]、深度置信網(wǎng)絡(luò)(Deep Belief Network，DBN)[11]及自動(dòng)編碼器(Auto-encoder，AE)[12]等)。其中，深度學(xué)習(xí)算法通過復(fù)雜、非線性的映射關(guān)系學(xué)習(xí)原始數(shù)據(jù)深層次的抽象表示，能夠自動(dòng)從數(shù)據(jù)中提取敏感特征，成為了領(lǐng)域研究熱點(diǎn)[13]。但是，上述機(jī)器學(xué)習(xí)方法建立在獨(dú)立同分布假設(shè)之上，即假設(shè)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)滿足相同分布，它是通過訓(xùn)練數(shù)據(jù)獲得的模型能夠在測(cè)試集取得良好效果的基本保障。設(shè)備只有在平穩(wěn)工況下才滿足該假設(shè)，而在變工況下設(shè)備監(jiān)測(cè)信號(hào)不穩(wěn)定、異分布，這將導(dǎo)致穩(wěn)定工況下訓(xùn)練的模型難以應(yīng)用于新工況，使泛化性能大大下降。

遷移學(xué)習(xí)理論的提出為解決上述問題提供了新思路，它打破了機(jī)器學(xué)習(xí)對(duì)測(cè)試樣本與訓(xùn)練樣本同分布的局限，是一種跨領(lǐng)域、跨任務(wù)的學(xué)習(xí)方法[14]。對(duì)于變工況機(jī)械故障診斷，源域(訓(xùn)練數(shù)據(jù))和目標(biāo)域(測(cè)試數(shù)據(jù))共享相同的特征和類別，但特征分布不同，屬于跨域問題。此類問題的解決方法為領(lǐng)域自適應(yīng)，即將源域和目標(biāo)域映射到同一個(gè)公共特征空間以消除領(lǐng)域差異，重新形成具有相同分布的特征集[15]。不少學(xué)者從遷移學(xué)習(xí)角度出發(fā)，提出了基于遷移成分分析[16]、遷移因子分析[17]和最大平均偏差[18]等技術(shù)的領(lǐng)域自適應(yīng)方法，但上述淺層遷移方法的特征提取能力有限，難以挖掘?qū)λ泄收厦舾械挠虿蛔兲卣鳌?/p>

為解決上述問題，本文將深度學(xué)習(xí)中的殘差網(wǎng)絡(luò)(Residual Network，ResNet)與遷移學(xué)習(xí)中的領(lǐng)域?qū)咕W(wǎng)絡(luò)(Domain Adversarial Neural Network，DANN)相結(jié)合，提出一種深度遷移方法——?dú)埐顚?duì)抗網(wǎng)絡(luò)(Residual Adversarial Neural Network，RANN)，并用于變工況滾動(dòng)軸承的故障診斷。首先采用滑窗取樣策略從原始振動(dòng)信號(hào)中截取故障樣本，以此增加樣本數(shù)量。接著構(gòu)建包含特征提取器、故障分類器和領(lǐng)域判別器的殘差對(duì)抗網(wǎng)絡(luò)。其中，特征提取器采用雙通道ResNet以實(shí)現(xiàn)多源信號(hào)的融合以及故障特征的自適應(yīng)挖掘，同時(shí)通過最大化領(lǐng)域判別器損失和最小化故障分類器損失來實(shí)現(xiàn)變工況機(jī)械設(shè)備的故障診斷。最后采用美國凱斯西儲(chǔ)大學(xué)[19]的滾動(dòng)軸承故障數(shù)據(jù)集對(duì)該方法的可行性和優(yōu)越性進(jìn)行了驗(yàn)證。相比于現(xiàn)有基于上述數(shù)據(jù)集開展的研究[20-22]，本文提出的RANN通過采用雙通道輸入融合不同位置的數(shù)據(jù)可獲取更加全面的故障信息。本文采用3個(gè)工況下的滾動(dòng)軸承數(shù)據(jù)，共開展6組遷移診斷試驗(yàn)，且直接采用原始振動(dòng)信號(hào)實(shí)現(xiàn)端到端的遷移診斷，更加簡潔高效。該研究所得結(jié)論可以為變工況機(jī)械設(shè)備的故障診斷提供參考。

1 理論分析

1.1 領(lǐng)域?qū)咕W(wǎng)絡(luò)

2016年，G.YAROSLAV等[23]借鑒生成對(duì)抗網(wǎng)絡(luò)中生成器與判別器的對(duì)抗訓(xùn)練策略，提出了領(lǐng)域?qū)咕W(wǎng)絡(luò)。該網(wǎng)絡(luò)(見圖1)首次將對(duì)抗學(xué)習(xí)的思想引入到遷移學(xué)習(xí)中，主要由3部分組成，包括基于CNN的特征提取器、標(biāo)簽預(yù)測(cè)器和領(lǐng)域判別器，其輸出分別為：

Gf(x；p,q)=Hf(px+q)

(1)

Gy(Gf(x)；v,c)=Hy(vGf(x)+c)

(2)

Gd(Gf(x)；u,z)=Hd(uTGf(x)+z)

(3)

式中：x為輸入變量，Gf、Gy及Gd分別為特征提取器、標(biāo)簽預(yù)測(cè)器及領(lǐng)域判別器的輸出，Hf、Hy、Hd分別為Gf、Gy、Gd的激活函數(shù)，p、v、u分別為特征提取器、標(biāo)簽預(yù)測(cè)器及領(lǐng)域判別器的權(quán)重，uT為u的轉(zhuǎn)置，q、c、z分別為特征提取器、標(biāo)簽預(yù)測(cè)器及領(lǐng)域判別器的偏置。

圖1 標(biāo)準(zhǔn)域?qū)咕W(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Schematic structure of a standard DANN

特征提取器將源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)進(jìn)行映射和混合，提取后續(xù)網(wǎng)絡(luò)完成任務(wù)所需要的特征，使標(biāo)簽預(yù)測(cè)器能夠準(zhǔn)確區(qū)分?jǐn)?shù)據(jù)類別(例如能將故障數(shù)據(jù)準(zhǔn)確分為故障1、故障2、……、故障n)，同時(shí)使領(lǐng)域判別器無法分辨數(shù)據(jù)來自目標(biāo)域或源域，以學(xué)習(xí)出具備不受領(lǐng)域變化影響的特征。標(biāo)簽預(yù)測(cè)器利用特征提取器提取的信息對(duì)源域數(shù)據(jù)進(jìn)行分類，盡可能分出正確的標(biāo)簽。領(lǐng)域判別器對(duì)特征空間的數(shù)據(jù)進(jìn)行分類，盡可能分出數(shù)據(jù)來自哪個(gè)域。DANN通過特征提取器與領(lǐng)域判別器的對(duì)抗訓(xùn)練來消除領(lǐng)域差異，提取域不變特征。它是深度學(xué)習(xí)與遷移學(xué)習(xí)的完美結(jié)合，在情感分析[24]和文本分類[25]等領(lǐng)域均得到了成功應(yīng)用。

具體而言，特征提取器提取的特征信息傳入領(lǐng)域判別器，領(lǐng)域判別器判斷信息來自源域還是目標(biāo)域，并計(jì)算損失Ld。在反向傳播過程中，領(lǐng)域判別器和特征提取器中間有一個(gè)梯度反轉(zhuǎn)層，即領(lǐng)域判別器的訓(xùn)練目標(biāo)是盡可能正確判斷特征信息所屬的域類別，而特征提取器的訓(xùn)練目標(biāo)是使領(lǐng)域判別器不能正確判斷出信息來自哪個(gè)域，從而形成一種對(duì)抗關(guān)系。

在領(lǐng)域?qū)鼓Ｐ椭?，前向傳播時(shí)梯度反轉(zhuǎn)層與普通全連接層作用相同，則有：

a=wx+b

(4)

而在誤差反向傳播過程中梯度方向自動(dòng)取反，可得：

(5)

式中：w為梯度反轉(zhuǎn)層的權(quán)重，b為梯度反轉(zhuǎn)層的偏置，a為梯度反轉(zhuǎn)層的輸出，I為單位矩陣，x為網(wǎng)絡(luò)輸入的變量。

(6)

式中：xi為第i(i=1,2,3,……,n)個(gè)樣本變量，yi表示相應(yīng)標(biāo)簽類別，di表示領(lǐng)域類別，θf為Gf參數(shù)，θy為Gy參數(shù)，θd為Gd參數(shù)，DS表示源域數(shù)據(jù)集，DT表示目標(biāo)域數(shù)據(jù)集，N為中間參變量，N=NS+NT，其中NS為輸入的源域樣本數(shù)，NT為輸入的目標(biāo)域樣本數(shù)。

1.2 殘差網(wǎng)絡(luò)

2006年，深度學(xué)習(xí)理論[26]的提出使得CNN成為各領(lǐng)域研究熱點(diǎn)。2012年，A.KRIZHEVSKY等[27]構(gòu)建的8層網(wǎng)絡(luò)包括5個(gè)卷積層和3個(gè)全連接層，在ILSVRC競賽上取得了優(yōu)異的成績。2014年，VGGNet首次將網(wǎng)絡(luò)的深度增加到了19層，在ILSVRC競賽上取得了24.7%的Top-1錯(cuò)誤率和7.3%的Top-5錯(cuò)誤率[28]。但是，網(wǎng)絡(luò)的性能并不會(huì)隨著網(wǎng)絡(luò)層數(shù)的增加而不斷提升。研究發(fā)現(xiàn)，20層以上的深度網(wǎng)絡(luò)，繼續(xù)增加網(wǎng)絡(luò)層數(shù)，分類的精度反而會(huì)降低，50層網(wǎng)絡(luò)的測(cè)試錯(cuò)誤率大概是20層網(wǎng)絡(luò)的兩倍[29]。

為了解決增加網(wǎng)絡(luò)深度帶來的網(wǎng)絡(luò)性能退化問題，HE K.M.等[30]在殘差學(xué)習(xí)的啟發(fā)下對(duì)CNN進(jìn)行改進(jìn)，提出了殘差網(wǎng)絡(luò)(ResNet)。ResNet引入了恒等映射的設(shè)計(jì)，巧妙地緩解了由于深度增加帶來的梯度彌散以及網(wǎng)絡(luò)退化問題，增加了信息傳遞路徑的數(shù)量，使網(wǎng)絡(luò)的深度可以由幾十層推至上千層[31]。

假定某神經(jīng)網(wǎng)絡(luò)的輸入為x(如圖像、文本、振動(dòng)信號(hào)等)，期望輸出為H(x)，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)直接優(yōu)化H(x)，難度較大。在ResNet中，定義殘差函數(shù)F(x)，并將其設(shè)為網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)，可得：

F(x)=H(x)-x

(7)

研究人員通過試驗(yàn)證明優(yōu)化殘差函數(shù)F(x)比優(yōu)化原始函數(shù)映射H(x)容易得多。在殘差學(xué)習(xí)模塊中，左側(cè)分支對(duì)應(yīng)殘差函數(shù)F(x)，右側(cè)分支為輸入x的恒等映射，兩分支對(duì)應(yīng)元素相加再經(jīng)過ReLU激活函數(shù)，從而形成整個(gè)殘差模塊(見圖2)。通過堆疊多個(gè)殘差模塊形成深度殘差網(wǎng)絡(luò)。

圖2 殘差學(xué)習(xí)模塊Fig.2 Residual learning module

ResNet的特點(diǎn)是容易優(yōu)化，并且能夠通過增加網(wǎng)絡(luò)深度來提高準(zhǔn)確率。其創(chuàng)新點(diǎn)在于引入了殘差學(xué)習(xí)“快捷連接(shortcut connection)”的思想，整個(gè)網(wǎng)絡(luò)只需要學(xué)習(xí)輸入、輸出差別的那一部分，降低了學(xué)習(xí)難度，緩解了在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來的梯度問題。目前，常用的ResNet結(jié)構(gòu)有ResNet-34、ResNet-50、ResNet-101等，如表1所示。

表1 經(jīng)典殘差網(wǎng)絡(luò)結(jié)構(gòu)Table 1 Structure of classical residual network

從表1可見，ResNet-34中殘差學(xué)習(xí)模塊使用2個(gè)卷積核大小為3×3的卷積層進(jìn)行運(yùn)算；而ResNet-50和ResNet-101則采用3層殘差學(xué)習(xí)模塊，即第一個(gè)卷積層采用1×1的卷積核對(duì)數(shù)據(jù)進(jìn)行降維，第二層采用3×3的卷積核進(jìn)行卷積運(yùn)算，最后再經(jīng)過一個(gè)1×1的卷積核還原。采用這種方式既能保證網(wǎng)絡(luò)精度，又大大減少了網(wǎng)絡(luò)計(jì)算量[32]。

以表1中Conv1為例，“7×7”為卷積核尺寸，“64”為卷積核個(gè)數(shù)，步長為2；“3×3”為池化核尺寸，池化方法為“最大池化”，步長為2。

本文將ResNet與DANN相結(jié)合，構(gòu)建殘差對(duì)抗網(wǎng)絡(luò)，在解決深度網(wǎng)絡(luò)梯度彌散問題的同時(shí)進(jìn)行領(lǐng)域?qū)褂?xùn)練，實(shí)現(xiàn)機(jī)械設(shè)備的跨工況遷移診斷。

2 基于RANN的故障診斷方法

2.1 雙通道信號(hào)融合

RGB色彩模式是工業(yè)界的一種顏色標(biāo)準(zhǔn)，通過對(duì)紅(R)、綠(G)、藍(lán)(B)3個(gè)顏色通道的變化以及它們相互之間的疊加來得到各式各樣的顏色。RGB圖像所含信息更加豐富，更有利于進(jìn)行圖像識(shí)別[33]。類似地，在機(jī)械故障診斷領(lǐng)域，采用多通道輸入進(jìn)行多源信號(hào)融合可以收集更加全面的故障信息，從而提升故障診斷的準(zhǔn)確率。

本文采用雙通道輸入，輸入信號(hào)為1×1 024×2的雙通道一維信號(hào)，為了更加直觀地展示雙通道信號(hào)與單通道信號(hào)的不同，將各通道信號(hào)映射到同一幅圖中，如圖3所示(以凱斯西儲(chǔ)大學(xué)軸承故障數(shù)據(jù)中735 W(1 hp)負(fù)載下故障直徑為0.18 mm的內(nèi)圈故障為例)。從圖3可以看到，雙通道信號(hào)融合了各通道信號(hào)的頻率和幅值等信息，突出了多通道信號(hào)輸入的特點(diǎn)。

圖3 融合信號(hào)的波形與頻譜示例Fig.3 Fused signal waveform and spectrum samples

2.2 殘差對(duì)抗網(wǎng)絡(luò)構(gòu)建

本文引入殘差學(xué)習(xí)的思想對(duì)標(biāo)準(zhǔn)DANN進(jìn)行改進(jìn)，提出殘差對(duì)抗網(wǎng)絡(luò)，由基于雙通道ResNet的特征提取器、故障分類器以及領(lǐng)域判別器3部分組成，如圖4所示。

圖4 殘差對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Schematic structure of RANN

對(duì)于特征提取器，采用ResNet可以提取復(fù)雜數(shù)據(jù)的深層特征，解決網(wǎng)絡(luò)深度增加引起的梯度彌散及性能退化問題，但現(xiàn)有的ResNet模型結(jié)構(gòu)復(fù)雜、參數(shù)量大、訓(xùn)練時(shí)間長，計(jì)算效率不高。因此，本文以ResNet-50為基礎(chǔ)網(wǎng)絡(luò)框架構(gòu)建雙通道ResNet提取故障特征，主要修改如下：原網(wǎng)絡(luò)結(jié)構(gòu)中的Conv1、Conv2_x層數(shù)保持不變、Conv3_x和Conv4_x層各保留一個(gè)殘差塊，去除Conv5_x層，網(wǎng)絡(luò)層數(shù)從50層縮減為16(1+3×3+3×1+3×1)層，如表2所示。以Conv1為例，表2中“1×7”為卷積核尺寸，“64”為卷積核個(gè)數(shù)，“stride2”為步長。

表2 雙通道殘差網(wǎng)絡(luò)結(jié)構(gòu)Table 2 Structure of dual-channel residual networks

此外，為獲取全面的故障信息，采用雙通道輸入進(jìn)行信號(hào)融合。相應(yīng)地，在特征提取器中設(shè)置雙通道卷積核進(jìn)行卷積操作，如圖5所示。在各通道分別進(jìn)行一維卷積操作，為了將各自獨(dú)立的信號(hào)聯(lián)通在一起以達(dá)到信號(hào)融合的目的，將各通道在同一位置上的結(jié)果求和，則可以得到該位置的一維卷積輸出[34]：

(8)

圖5 雙通道卷積操作Fig.5 Dual-channel convolution operation

故障分類器由輸入層、兩個(gè)全連接層及輸出層構(gòu)成，采用交叉熵[35]作為損失函數(shù)，通過最小化損失函數(shù)實(shí)現(xiàn)故障準(zhǔn)確分類。交叉熵是一種常用的損失函數(shù)，計(jì)算式為：

(9)

式中：M為類別數(shù)量，x表示輸入的樣本，pi(x)與qi(x)分別表示輸入樣本屬于第i類的實(shí)際概率和模型預(yù)測(cè)概率。

領(lǐng)域判別器由輸入層、一個(gè)全連接層和輸出層組成。同時(shí)，在特征提取器與領(lǐng)域判別器之間添加“梯度反轉(zhuǎn)層”，最大化領(lǐng)域判別器的損失函數(shù)使其難以實(shí)現(xiàn)工況的準(zhǔn)確分類，使得特征提取器提取到對(duì)工況信息低敏感度的特征，這也是“域?qū)埂钡膬?nèi)涵所在[36]。

2.3 RANN遷移診斷方法操作步驟

本文構(gòu)建RANN進(jìn)行變工況機(jī)械設(shè)備的遷移診斷，主要步驟如下。

(1)采集設(shè)備多通道振動(dòng)信號(hào)，并采用滑窗取樣策略從原始振動(dòng)信號(hào)中截取故障樣本，以增加樣本數(shù)量。

(2)按照一定比例劃分訓(xùn)練集和測(cè)試集，用于模型的訓(xùn)練和測(cè)試。

(3)構(gòu)建殘差對(duì)抗網(wǎng)絡(luò)，采用Adam優(yōu)化算法進(jìn)行模型訓(xùn)練，并設(shè)置學(xué)習(xí)率為0.001、批量尺寸為50，迭代次數(shù)為150。

(4)初始化網(wǎng)絡(luò)權(quán)重和偏置，以批量方式將訓(xùn)練樣本輸入模型，逐層進(jìn)行前向傳播提取樣本特征，計(jì)算期望輸出與實(shí)際輸出之間的誤差；利用反向傳播算法將誤差進(jìn)行反向傳播，逐層更新網(wǎng)絡(luò)的權(quán)重和偏置。

(5)重復(fù)步驟(3)和步驟(4)，直到將訓(xùn)練樣本全部訓(xùn)練完畢且網(wǎng)絡(luò)誤差小于允許值或者達(dá)到了迭代次數(shù)，此時(shí)得到理想的RANN模型。

(6)輸入測(cè)試樣本，輸出診斷結(jié)果。

圖6 基于RANN的故障診斷方法操作步驟Fig.6 Operation steps of the fault diagnosis method based on RANN

3 試驗(yàn)驗(yàn)證

3.1 試驗(yàn)數(shù)據(jù)

本文采用美國凱斯西儲(chǔ)大學(xué)的滾動(dòng)軸承故障數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證。試驗(yàn)系統(tǒng)由1臺(tái)提供驅(qū)動(dòng)力的感應(yīng)電機(jī)(左側(cè))、1臺(tái)產(chǎn)生額定負(fù)載的測(cè)力器(右側(cè))以及控制電路組成，如圖7所示。2個(gè)加速度傳感器分別安裝在電機(jī)的風(fēng)扇端和驅(qū)動(dòng)端以采集振動(dòng)信號(hào)。試驗(yàn)對(duì)象為驅(qū)動(dòng)端軸承，型號(hào)為SKF6205，通過電火花加工在軸承上施加單點(diǎn)故障。

圖7 試驗(yàn)裝置示意圖Fig.7 Diagram of the experimental device

本試驗(yàn)同時(shí)選用電機(jī)驅(qū)動(dòng)端和風(fēng)扇端加速度傳感器監(jiān)測(cè)的振動(dòng)信號(hào)，采用雙通道輸入以實(shí)現(xiàn)信號(hào)融合，采樣頻率為12 kHz。軸承設(shè)置有內(nèi)圈故障、滾動(dòng)體故障和外圈故障3種故障類型，每種故障類型又設(shè)有0.18、0.36和0.53 mm 3種不同的損傷直徑，加上正常軸承，一共設(shè)置10種故障狀態(tài)。試驗(yàn)構(gòu)建了3種不同轉(zhuǎn)速及負(fù)載下的數(shù)據(jù)集，如表3所示。

表3 試驗(yàn)數(shù)據(jù)集詳情Table 3 Details of the experimental data sets

為獲取大量故障樣本用于深度學(xué)習(xí)模型的訓(xùn)練，采用數(shù)據(jù)增強(qiáng)(滑窗取樣)策略從原始振動(dòng)信號(hào)中截取故障樣本，以此增加樣本數(shù)量，如圖8所示。樣本長度設(shè)為1 024點(diǎn)，每種狀態(tài)生成故障樣本500組，隨機(jī)選擇400組用于訓(xùn)練，剩余100組用于測(cè)試，則10種狀態(tài)共有訓(xùn)練集4 000組，測(cè)試集1 000組。

圖8 滑窗取樣操作Fig.8 Sliding window sampling

3.2 試驗(yàn)結(jié)果

基于RANN的變工況軸承遷移診斷結(jié)果如表4所示。

表4 雙通道RANN診斷準(zhǔn)確率 %

從表4可以看出，模型在源域和目標(biāo)域上都取得了很高的故障診斷準(zhǔn)確率，表明本文方法能有效克服領(lǐng)域分布差異，實(shí)現(xiàn)不同工況下軸承故障的準(zhǔn)確分類。

為進(jìn)一步定量分析殘差對(duì)抗網(wǎng)絡(luò)的性能，以A→B、A→C試驗(yàn)為例，繪制10種故障狀態(tài)的分類混淆矩陣，如圖9所示。圖9中，橫坐標(biāo)為預(yù)測(cè)標(biāo)簽，縱坐標(biāo)為真實(shí)標(biāo)簽，對(duì)角線數(shù)據(jù)則表示分類正確率。從圖9可以看出，基于RANN的變工況軸承故障診斷方法能準(zhǔn)確識(shí)別正常、內(nèi)/外圈故障及滾動(dòng)體故障4種故障類型，對(duì)各類故障狀態(tài)的分類正確率均在97%以上，充分證明了該方法能夠有效克服領(lǐng)域差異，提取對(duì)所有故障敏感的域不變特征，實(shí)現(xiàn)軸承的跨工況診斷。

圖9 混淆矩陣Fig.9 Confusion matrix

為更直觀地展示本文方法在各組試驗(yàn)中的領(lǐng)域適應(yīng)能力，以A→B、A→C試驗(yàn)為例，采用t-分布鄰域嵌入算法[37]對(duì)故障分類器輸出層的特征進(jìn)行可視化，如圖10所示。圖10a為原始數(shù)據(jù)可視化結(jié)果，從圖10a可以看出,所有樣本最初呈混亂的狀態(tài)，源域和目標(biāo)域數(shù)據(jù)分布不同，且各類故障間重疊較多，可區(qū)分性差。而通過RANN學(xué)習(xí)得到的特征(見圖10b、圖10c)聚類效果良好，各類故障間界限明晰，來自同一故障但分屬不同領(lǐng)域的故障樣本彼此之間相互重疊，結(jié)果表明，源域和目標(biāo)域的樣本雖然采集自不同的工況條件，但經(jīng)RANN處理后，已經(jīng)具有了相似甚至相同的分布規(guī)律。

圖10 特征可視化Fig.10 Feature-based visualization

3.3 不同方法對(duì)比

本文方法同時(shí)選用電機(jī)驅(qū)動(dòng)端和風(fēng)扇端加速度傳感器監(jiān)測(cè)的振動(dòng)信號(hào)，采用雙通道輸入以實(shí)現(xiàn)信號(hào)融合。為充分體現(xiàn)雙通道輸入的優(yōu)越性，僅選用電機(jī)驅(qū)動(dòng)端的監(jiān)測(cè)信號(hào)進(jìn)行故障診斷試驗(yàn)，對(duì)比結(jié)果如圖11所示。從圖11可以看出，采用雙通道輸入的平均診斷準(zhǔn)確率(98.58%)比單通道輸入(97.25%)高約1.3百分點(diǎn)，證明了雙通道融合信號(hào)所含故障信息更加全面，能有效改善故障診斷的效果。

圖11 不同輸入診斷結(jié)果對(duì)比Fig.11 Comparison of diagnosis results with different inputs

同時(shí)，將本文方法與標(biāo)準(zhǔn)DANN(特征提取器為CNN)模型[38]以及非深度遷移方法——遷移成分分析(Transfer Component Analysis，TCA)[39]進(jìn)行對(duì)比，結(jié)果如表5所示。從表5可以看出，相比于淺層機(jī)器學(xué)習(xí)(TCA)方法，深度學(xué)習(xí)算法(RANN、DANN)在各組試驗(yàn)中雖運(yùn)行時(shí)間較長，但診斷準(zhǔn)確率具有明顯的優(yōu)勢(shì)；本文提出的基于ResNet的RANN相比于常規(guī)DANN在軸承故障診斷試驗(yàn)中運(yùn)行時(shí)間稍長，但平均準(zhǔn)確率提高約2.5百分點(diǎn)，這在故障診斷中是更為重要的。因此，綜合考慮診斷精度和時(shí)間成本兩方面因素，本文方法具有更佳的診斷性能。

表5 不同方法診斷效果對(duì)比Table 5 Diagnostic effects of different methods

4 結(jié) 論

本文針對(duì)變工況機(jī)械設(shè)備故障診斷中監(jiān)測(cè)數(shù)據(jù)非平穩(wěn)、非線性、異分布的特點(diǎn)以及單通道信號(hào)輸入難以全面表達(dá)故障特征，從而導(dǎo)致穩(wěn)定工況下訓(xùn)練的分類模型性能大大下降的問題，提出一種深度遷移方法——?dú)埐顚?duì)抗網(wǎng)絡(luò)(RANN)以實(shí)現(xiàn)機(jī)械設(shè)備的跨工況診斷。通過變工況滾動(dòng)軸承遷移診斷試驗(yàn)證明了該方法的可行性和有效性，得出以下結(jié)論。

(1)將殘差網(wǎng)絡(luò)(ResNet)與領(lǐng)域?qū)咕W(wǎng)絡(luò)(DANN)相結(jié)合，可有效提取深層故障敏感特征，同時(shí)緩解深度網(wǎng)絡(luò)面臨的梯度彌散及性能下降問題。相比于標(biāo)準(zhǔn)DANN，特征提取及故障診斷效果均有所改善，平均準(zhǔn)確率提升了約2.5百分點(diǎn)。

(2)相比于淺層遷移方法，如遷移成分分析(TCA)等，本文提出的殘差對(duì)抗網(wǎng)絡(luò)通過特征提取器與領(lǐng)域判別器的對(duì)抗訓(xùn)練可以自適應(yīng)逐層提取對(duì)工況信息敏感度低的域不變特征，有效克服領(lǐng)域分布差異，具有更佳的診斷性能。

(3)采用雙通道輸入可有效融合多源信號(hào)，獲取各通道信號(hào)的頻率和幅值等信息，為故障診斷提供更加全面的信息基礎(chǔ)。相比于單通道輸入，采用雙通道輸入的平均故障診斷準(zhǔn)確率提升約1.3百分點(diǎn)。