王天君

（山煤國(guó)際能源股份有限公司， 山西 晉中 031100）

引言

風(fēng)力發(fā)電作為清潔能源不僅成本低廉而且容易大規(guī)模普及，因此風(fēng)力發(fā)電是最具有競(jìng)爭(zhēng)力的發(fā)電技術(shù)[1]，保障風(fēng)電機(jī)平穩(wěn)高效的運(yùn)行變得越來(lái)越重要。然而風(fēng)電機(jī)軸承與低速軸直接相連運(yùn)行數(shù)據(jù)稀少且易于損壞，因此小樣本遷移學(xué)習(xí)方法對(duì)于風(fēng)電機(jī)軸承的故障研究具有重要意義[2]。

近年來(lái)，遷移學(xué)習(xí)在各個(gè)領(lǐng)域中得到廣泛應(yīng)用，將風(fēng)電機(jī)軸承故障診斷與遷移學(xué)習(xí)型相結(jié)合，成為變工況故障診斷研究領(lǐng)域的熱點(diǎn)[3-4]。然而風(fēng)電機(jī)等設(shè)備面臨故障樣本稀少，樣本不平衡，因此需要通過(guò)小樣本遷移學(xué)習(xí)來(lái)解決這一問(wèn)題[5]。

針對(duì)故障樣本稀少問(wèn)題，文獻(xiàn)[6]提出非平衡小樣本軸承對(duì)抗診斷，生成大量故障數(shù)據(jù)，擴(kuò)充故障樣本。文獻(xiàn)[7]提出改進(jìn)粒子群優(yōu)化算法優(yōu)化均衡支持向量機(jī)的健康預(yù)測(cè)模型，通過(guò)對(duì)動(dòng)態(tài)非線性慣性權(quán)重對(duì)粒子群優(yōu)化算法的改進(jìn)有效解決小樣本數(shù)據(jù)不均衡問(wèn)題；文獻(xiàn)[8]提出組合預(yù)測(cè)模型的小樣本軸承故障分類診斷，通過(guò)半監(jiān)督變分自編碼器與LightGBM分類模型相結(jié)合學(xué)習(xí)模型，解決小樣本性能的不穩(wěn)定。但以上方法無(wú)法獲取組自然損壞數(shù)據(jù)，而人工軸承損傷加工明顯，無(wú)法直接使用。事實(shí)上，目前風(fēng)電機(jī)軸承故障診斷的方法受限于實(shí)際工程數(shù)據(jù)，對(duì)于實(shí)驗(yàn)室故障模擬生成的數(shù)據(jù)常常面臨診斷率低下的問(wèn)題，這意味著現(xiàn)有研究與工業(yè)應(yīng)用仍有差距。但人為生成的故障轉(zhuǎn)化為機(jī)器自然的故障仍然是解決自然故障樣本量少的重要方法之一。我們?nèi)绻梢岳贸杀鞠鄬?duì)較低的人工故障樣本替換大量成本較高的自然故障樣本，并獲得相對(duì)較高的準(zhǔn)確率，就能夠解決電機(jī)故障樣本稀少，樣本不平衡的問(wèn)題，因此提出了基于小樣本遷移學(xué)習(xí)的軸承故障診斷方法。

1 理論背景

1.1 遷移學(xué)習(xí)的概述

基于源域和目標(biāo)域具有不同分布的假設(shè)，遷移學(xué)習(xí)的主要目標(biāo)是將源域中學(xué)到的知識(shí)遷移到目標(biāo)域中。因此，遷移學(xué)習(xí)方法中如何使源域與目標(biāo)域之間的特征分布對(duì)齊是目前研究的重點(diǎn)。根據(jù)要遷移的表達(dá)形式不同遷移學(xué)習(xí)分為樣本遷移、特征遷移、模型遷移、關(guān)系遷移等方法[9]。將實(shí)驗(yàn)室獲取的源域數(shù)據(jù)設(shè)為，其中xi是源域中的第i 個(gè)樣本，Xs是所有源域樣本的集合。新采集的數(shù)據(jù)為目標(biāo)域是所有目標(biāo)域樣本的集合，xj是目標(biāo)域第j 個(gè)樣本。ni、mj為標(biāo)簽的樣本總數(shù)。遷移學(xué)習(xí)通過(guò)源域模型中的訓(xùn)練，學(xué)習(xí)目標(biāo)域中的預(yù)測(cè)函數(shù)，從而得到源域與目標(biāo)與之間共同特征，實(shí)現(xiàn)對(duì)目標(biāo)域的標(biāo)簽進(jìn)行預(yù)測(cè)分類[10]。

1.2 小樣本遷移學(xué)習(xí)框架

1.2.1 數(shù)據(jù)預(yù)處理

軸承振動(dòng)信號(hào)數(shù)據(jù)隨著輸入長(zhǎng)度的增加，神經(jīng)網(wǎng)絡(luò)的參數(shù)大小會(huì)迅速增加，這意味著需要更多的訓(xùn)練數(shù)據(jù)來(lái)匹配模型容量。但過(guò)小的輸入長(zhǎng)度會(huì)導(dǎo)致頻率分辨率低，不利于有效的故障識(shí)別。因此將模型的輸入長(zhǎng)度統(tǒng)一設(shè)置為1 024。在實(shí)驗(yàn)過(guò)程中，首先將PU 大學(xué)軸承數(shù)據(jù)集中的所有振動(dòng)信號(hào)截?cái)喑砷L(zhǎng)度為2 048 的數(shù)據(jù)。雖然時(shí)域中的信號(hào)保留了原始信號(hào)的所有信息，但普遍認(rèn)為頻域中的信號(hào)比時(shí)域中的信號(hào)對(duì)故障更敏感。所以通過(guò)快速傅立葉變換（FFT）應(yīng)用于每個(gè)數(shù)據(jù)，數(shù)據(jù)的長(zhǎng)度減少到原來(lái)的1/2。

1.2.2 網(wǎng)絡(luò)模型

設(shè)計(jì)了一個(gè)一維卷積網(wǎng)絡(luò)，包括一個(gè)特征編碼器網(wǎng)絡(luò)fθ和分類器網(wǎng)絡(luò)Gk，卷積模型網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。特征編碼器網(wǎng)絡(luò)由四個(gè)一維卷積塊和一個(gè)一維自適應(yīng)最大池化層組成，適用于處理一維序列信號(hào)。圖像處理中經(jīng)常使用小的卷積核，因?yàn)樾〉木矸e核能夠更好地捕捉特征的邊緣信息，但是在第一個(gè)卷積層使用核大小為10 的大卷積核能夠更好地提取振動(dòng)信號(hào)的豐富淺層信息表示。因?yàn)檎駝?dòng)信號(hào)數(shù)據(jù)在時(shí)域和頻域?qū)φw的相關(guān)性都比較敏感，第一層核太小會(huì)丟失信號(hào)中的有用信息。特征編碼器的輸出是一個(gè)1600 維的特征張量，輸出大小為64×25。分類器網(wǎng)絡(luò)如圖1 所示包含一個(gè)簡(jiǎn)單的全連接層和一個(gè)softmax。

圖1 卷積網(wǎng)絡(luò)模型

2 遷移學(xué)習(xí)小樣本模型設(shè)計(jì)

將源域訓(xùn)練特征編碼器作為初始化，并使用目標(biāo)域中的數(shù)據(jù)微調(diào)預(yù)訓(xùn)練的特征編碼器。在實(shí)驗(yàn)過(guò)程中，考慮了特征編碼器中的四個(gè)卷積塊對(duì)應(yīng)的四個(gè)不同級(jí)別的解凍微調(diào)。如圖2 所示，解凍層數(shù)從1 逐漸增加到4。為簡(jiǎn)單起見(jiàn)，這四個(gè)模型表示為Unfrozen m Fine-tuning Net（UmFN）。基于微調(diào)的方法的學(xué)習(xí)過(guò)程也可以分為兩個(gè)階段。首先，Adam 優(yōu)化器在源域中學(xué)習(xí)一個(gè)特征編碼器，學(xué)習(xí)率為0.001，統(tǒng)一訓(xùn)練epoch 為200。其次，在目標(biāo)域中微調(diào)一個(gè)新的分類器和一些層數(shù)固定的特征編碼器，學(xué)習(xí)率為0.01 的SGD 優(yōu)化器數(shù)據(jù)被分成小批量，并用50 個(gè)epoch 進(jìn)行訓(xùn)練。最后10 個(gè)epoch 的平均準(zhǔn)確率被視為這些方法的最終準(zhǔn)確率。

圖2 微調(diào)遷移學(xué)習(xí)小樣本模型

3 實(shí)驗(yàn)數(shù)據(jù)集及結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)集

為保實(shí)驗(yàn)方法的真實(shí)有效性，選取PU 軸承數(shù)據(jù)集。用于軸承的狀態(tài)監(jiān)測(cè)和診斷。PU 軸承數(shù)據(jù)集中的32 個(gè)6203 型軸承，包括12 個(gè)人為損壞軸承，14 個(gè)通過(guò)加速壽命測(cè)試的自然故障軸承和6 個(gè)健康軸承。實(shí)際的軸承損壞是在加速壽命試驗(yàn)臺(tái)中通過(guò)預(yù)定義的連續(xù)載荷產(chǎn)生的；實(shí)驗(yàn)中選取了N09_M07_F10 工況下1 個(gè)健康軸承K001; 人工損壞軸承KA01、KA03、KA05、KA07、KA08、KI01、KI03、KI07；5 個(gè) 自 然 故 障軸承KA04、KB23、KB27、KB24；13 個(gè)軸承的詳細(xì)信息如表1 所示。

表1 軸承信息

3.2 實(shí)驗(yàn)結(jié)果與分析

通過(guò)解凍層數(shù)的逐一解凍并設(shè)置一個(gè)學(xué)習(xí)率為0.01 的Adam 優(yōu)化器，用不同工況的小樣本數(shù)據(jù)再次訓(xùn)練，對(duì)網(wǎng)絡(luò)層結(jié)構(gòu)的參數(shù)進(jìn)行微調(diào)，使得網(wǎng)絡(luò)大部分參數(shù)不變，讓不同工況下的不同層學(xué)習(xí)到更專業(yè)的特征。人工制造故障的8 個(gè)軸承遷移到具有自然故障的4 個(gè)軸承和一個(gè)健康軸承使用不同解凍層數(shù)分類的準(zhǔn)確率如下頁(yè)圖3 所示

遷移學(xué)習(xí)分析的目標(biāo)是解凍微調(diào)的目標(biāo)域模型如何影響少樣本數(shù)據(jù)中的可遷移性，從而改變?cè)从蚝湍繕?biāo)域之間的關(guān)系。從下頁(yè)圖3 中可以清晰地得出在訓(xùn)練次數(shù)達(dá)到40 的時(shí)候，分類結(jié)果基本趨于穩(wěn)定，并且隨著解凍層數(shù)的增加，對(duì)網(wǎng)絡(luò)層結(jié)構(gòu)的參數(shù)進(jìn)行微調(diào)時(shí)，不同工況遷移的準(zhǔn)確率會(huì)逐漸下降。從下頁(yè)圖4 中直觀的可以看到解凍層數(shù)對(duì)準(zhǔn)確率的影響，解凍一層微調(diào)模型參數(shù)的準(zhǔn)確率為95.2%；解凍二層微調(diào)模型參數(shù)的準(zhǔn)確率為94%；解凍三層微調(diào)模型參數(shù)的準(zhǔn)確率為92.3%；解凍四層微調(diào)模型參數(shù)的準(zhǔn)確率為90.4%。從實(shí)驗(yàn)結(jié)果可以看出，人工制造故障的軸承遷移到具有自然故障軸承的分類結(jié)果都取得不錯(cuò)的效果。可以利用成本相對(duì)較低的人工故障樣本替換大量成本較高的自然故障樣本，并獲得相對(duì)較高的準(zhǔn)確率，能夠解決電機(jī)故障樣本稀少，樣本不平衡的問(wèn)題。這為從實(shí)驗(yàn)室數(shù)據(jù)集中學(xué)習(xí)模型提供了一種可行的方法，以提高模型現(xiàn)實(shí)中的泛化性能。

圖3 不同解凍層相互遷移分類結(jié)果

圖4 不同解凍層相互遷移分類準(zhǔn)確率

5 結(jié)論

1）特征編碼器的四個(gè)卷積塊解凍層數(shù)對(duì)目標(biāo)域數(shù)據(jù)微調(diào)，隨著解凍層數(shù)的增加，目標(biāo)域數(shù)據(jù)微調(diào)效果的準(zhǔn)確率越來(lái)越低。

2）人工模擬的軸承故障數(shù)據(jù)遷移到自然損傷的軸承故障數(shù)據(jù)獲得較高的準(zhǔn)確率，這為從實(shí)驗(yàn)室數(shù)據(jù)集中學(xué)習(xí)的模型提供了一種可行的方法，證明了小樣本遷移學(xué)習(xí)故障診斷模型對(duì)風(fēng)電機(jī)軸承場(chǎng)景應(yīng)用的可行性。