李霽蒲　黃如意　陳祝云　廖奕?！∠木把荨±钗∪A

摘要： 遷移學(xué)習(xí)智能故障診斷方法已經(jīng)成為了機(jī)械設(shè)備故障診斷領(lǐng)域的一個(gè)研究熱點(diǎn)。然而，大多數(shù)相關(guān)方法在遷移學(xué)習(xí)過程中未能合理地評(píng)估源域樣本和目標(biāo)域樣本的相似性，且數(shù)據(jù)分布的差異會(huì)造成遷移診斷的結(jié)果不同。針對(duì)此問題，提出深度卷積動(dòng)態(tài)對(duì)抗遷移網(wǎng)絡(luò)用于主軸軸承智能故障診斷。該網(wǎng)絡(luò)首先利用一維卷積神經(jīng)網(wǎng)絡(luò)從處理過的振動(dòng)信號(hào)中自動(dòng)提取特征集，然后利用動(dòng)態(tài)對(duì)抗學(xué)習(xí)策略動(dòng)態(tài)地調(diào)整條件分布和邊緣分布在遷移學(xué)習(xí)過程中的重要程度，有效地提高遷移診斷的精度。通過數(shù)控機(jī)床主軸軸承故障診斷實(shí)驗(yàn)，驗(yàn)證了所提方法的有效性。實(shí)驗(yàn)結(jié)果表明，所提方法能夠有效挖掘故障特征信息，實(shí)現(xiàn)不同工況之間的知識(shí)遷移，具有較好的應(yīng)用價(jià)值。

關(guān)鍵詞： 智能診斷;?軸承;?深度學(xué)習(xí);?遷移學(xué)習(xí);?動(dòng)態(tài)對(duì)抗

中圖分類號(hào)： TH165.3;?TH133.3 ???文獻(xiàn)標(biāo)志碼： A ???文章編號(hào)： 1004-4523（2022）02-0446-08

DOI：10.16385/j.cnki.issn.1004-4523.2022.02.020

引??言

數(shù)控機(jī)床在智能制造中具有廣泛的應(yīng)用。其中，主軸軸承作為數(shù)控機(jī)床主軸上的關(guān)鍵部件，其工作狀態(tài)直接影響著產(chǎn)品的加工質(zhì)量、刀具的壽命與加工效率。由于主軸在運(yùn)行過程中起傳遞運(yùn)動(dòng)扭矩、承受切削力和驅(qū)動(dòng)力等載荷的作用，運(yùn)行時(shí)受強(qiáng)噪聲干擾，主軸軸承的故障診斷通常具有很大的難度。因此，如何準(zhǔn)確實(shí)現(xiàn)主軸軸承的故障診斷對(duì)于保障工業(yè)安全生產(chǎn)、降低生產(chǎn)成本損失具有重要意義。

在基于深度學(xué)習(xí)（deep learning）的故障診斷研究中，“數(shù)據(jù)”對(duì)于一個(gè)診斷模型的性能有著舉足輕重的作用。通常一個(gè)性能良好的故障診斷模型需要大量充足可靠的標(biāo)簽數(shù)據(jù)作為訓(xùn)練支撐。然而，在實(shí)際的工業(yè)應(yīng)用中，由于無法有效判斷發(fā)生故障的類型，新獲取的數(shù)據(jù)通常難以標(biāo)記，這給傳統(tǒng)深度學(xué)習(xí)模型的訓(xùn)練帶來極大的挑戰(zhàn)。由于深度學(xué)習(xí)模型訓(xùn)練通常是針對(duì)特定工況進(jìn)行訓(xùn)練和診斷，當(dāng)面對(duì)其他工況時(shí)，需要使用新數(shù)據(jù)對(duì)已訓(xùn)練好的診斷模型重新訓(xùn)練，這無疑增加了診斷成本。因此，如果可以利用已訓(xùn)練好的模型去診斷其他工況的工作狀態(tài)，可以有效減少模型的訓(xùn)練時(shí)間，并提高模型的泛化性能。

對(duì)于上述問題，遷移學(xué)習(xí)（transfer learning）可能是一種有效的解決方案。遷移學(xué)習(xí)的核心思想是運(yùn)用已存有的知識(shí)對(duì)不同但相關(guān)領(lǐng)域的問題進(jìn)行求解，目的是利用已有的“先驗(yàn)知識(shí)”解決另一領(lǐng)域中只擁有少量標(biāo)簽甚至沒有標(biāo)簽的學(xué)習(xí)問題。遷移學(xué)習(xí)已在圖像識(shí)別、自然語言處理和工業(yè)應(yīng)用等領(lǐng)域得到了成功應(yīng)用。

根據(jù)目標(biāo)域標(biāo)簽數(shù)據(jù)的數(shù)量，遷移學(xué)習(xí)分為有監(jiān)督遷移學(xué)習(xí)、半監(jiān)督遷移學(xué)習(xí)和無監(jiān)督遷移學(xué)習(xí)。在機(jī)械故障診斷領(lǐng)域中，由于實(shí)際機(jī)械設(shè)備運(yùn)行中新獲取的數(shù)據(jù)通常是無標(biāo)簽的，因此論文重點(diǎn)關(guān)注無監(jiān)督遷移學(xué)習(xí)的診斷應(yīng)用情況。

沈飛等提出了奇異值分解與遷移學(xué)習(xí)結(jié)合的方法，解決了電機(jī)軸承故障診斷的問題;Chen等建立遷移卷積故障診斷網(wǎng)絡(luò)，解決了小樣本數(shù)據(jù)的軸承故障識(shí)別問題;雷亞國等利用實(shí)驗(yàn)室數(shù)據(jù)解決了工程實(shí)際難以獲得高精度智能診斷模型的問題;Guo等提出了深度卷積遷移學(xué)習(xí)網(wǎng)絡(luò)（deep convolutional transfer learning network，DCTLN），該方法將一維卷積神經(jīng)網(wǎng)絡(luò)（one?dimension convolution neural networks，?1D?CNN）和最大均值差異（maximum mean discrepancy，MMD）結(jié)合實(shí)現(xiàn)不同數(shù)據(jù)集之間的遷移。然而，上述方法在遷移過程中僅僅只考慮數(shù)據(jù)間的邊緣分布，而未曾考慮數(shù)據(jù)間的條件分布。已有研究證明，由于不同源域樣本和目標(biāo)域樣本之間存在不同相似度，在知識(shí)遷移過程中，邊緣分布和條件分布的重要度也不同。對(duì)于機(jī)械設(shè)備故障而言，當(dāng)兩個(gè)運(yùn)行工況之間的數(shù)據(jù)分布整體較為相似時(shí)，即類間間距較小，條件分布相對(duì)重要;反之，當(dāng)兩個(gè)運(yùn)行工況之間的數(shù)據(jù)分布整體不相似，即類間間距較大、類內(nèi)間距較小時(shí)，則邊緣分布占比應(yīng)當(dāng)更多。

實(shí)際上，已經(jīng)有學(xué)者做了一些關(guān)于邊緣分布和條件分布在遷移學(xué)習(xí)過程中“占比”的研究。Long等提出了聯(lián)合分布適配（joint distribution adaptation，?JDA），該方法創(chuàng)新地提出了聯(lián)合分配概率并在圖像識(shí)別領(lǐng)域取得較好的實(shí)驗(yàn)效果，但是JDA將邊緣分布和條件分布看成同等重要，無法自適應(yīng)調(diào)整兩種分布在不同數(shù)據(jù)結(jié)構(gòu)中的比例。Wang等針對(duì)JDA方法的局限性，提出了平衡分布適配（balanced distribution adaptation，?BDA）計(jì)算邊緣分布和條件分布的占比，但是該方法無法自適應(yīng)地從原始振動(dòng)信號(hào)中提取高維特征表達(dá)?？梢姡跍p少兩個(gè)工況的數(shù)據(jù)分布差異時(shí)，如何在深度遷移學(xué)習(xí)中合理評(píng)估邊緣分布和條件分布的重要程度直接影響著學(xué)習(xí)結(jié)果。

為解決上述兩個(gè)問題，受文獻(xiàn)[11]的啟發(fā)，論文提出一種深度卷積動(dòng)態(tài)對(duì)抗網(wǎng)絡(luò)（deep convolutional dynamic adversarial network，?DCDAN），并將其應(yīng)用到數(shù)控機(jī)床主軸軸承不同工況之間的故障診斷。對(duì)比已有的遷移學(xué)習(xí)方法，所提出的DCDAN采用動(dòng)態(tài)對(duì)抗學(xué)習(xí)策略，根據(jù)兩個(gè)運(yùn)行工況的相似性，動(dòng)態(tài)地計(jì)算兩個(gè)邊緣分布和條件分布在遷移過程中的占比，從而有效地提升診斷精度。