張江泉 ，高宏力 ，向守兵 ，郭 亮 ,2，譚詠文

（1.西南交通大學(xué)機(jī)械工程學(xué)院，四川 成都 610031；2.國(guó)防科技大學(xué)裝備綜合保障技術(shù)重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙410073）

滾珠絲杠副是數(shù)控機(jī)床等高端制造裝備的核心部件之一，主要負(fù)責(zé)將電機(jī)旋轉(zhuǎn)運(yùn)動(dòng)轉(zhuǎn)變?yōu)槠脚_(tái)上的線性運(yùn)動(dòng)，或是將線性運(yùn)動(dòng)轉(zhuǎn)化為旋轉(zhuǎn)運(yùn)動(dòng)，具有低摩擦損失和高傳動(dòng)效率等特點(diǎn).在滾珠絲杠副服役過(guò)程中，由于其長(zhǎng)期工作于高頻率、高負(fù)荷的復(fù)雜工況之下，滾珠和滾道表面受到持續(xù)的沖擊，絲杠無(wú)可避免地發(fā)生性能退化直到失效[1-3].由于滾珠絲杠副的定位精度對(duì)數(shù)控機(jī)床等制造裝備的加工精度有著直接影響，對(duì)滾珠絲杠副進(jìn)行退化狀態(tài)評(píng)估和監(jiān)測(cè)，對(duì)于提升數(shù)控機(jī)床等高端制造裝備運(yùn)行可靠性、降低設(shè)備運(yùn)維成本具有重要意義.

現(xiàn)有滾珠絲杠副退化狀態(tài)評(píng)估方法主要包括機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法[4]：1） 機(jī)器學(xué)習(xí)算法是一類比較傳統(tǒng)的智能化狀態(tài)識(shí)別方法，經(jīng)典方法包括貝葉斯算法[5]、支持向量機(jī)[6]、K近鄰法等[7].該類方法不需要對(duì)設(shè)備的物理實(shí)體和動(dòng)力學(xué)特性進(jìn)行建模（建立傳感器信號(hào)和特征之間的隱射關(guān)系）.但機(jī)器學(xué)習(xí)算法較為依賴信號(hào)處理和特征提取水平，自適應(yīng)化和智能化水平較低，難以應(yīng)對(duì)復(fù)雜情況下的狀態(tài)評(píng)估問(wèn)題[8].2） 隨著信息化技術(shù)的發(fā)展，深度學(xué)習(xí)算法克服了傳統(tǒng)機(jī)器學(xué)習(xí)算法的不足，通過(guò)構(gòu)造更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，增強(qiáng)網(wǎng)絡(luò)的特征學(xué)習(xí)和表征能力[9-10].現(xiàn)有深度學(xué)習(xí)算法主要包括深度置信網(wǎng)絡(luò)[11]、循環(huán)神經(jīng)網(wǎng)絡(luò)[12]、堆棧自編碼網(wǎng)絡(luò)[13]、卷積神經(jīng)網(wǎng)絡(luò)[14]等經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)，能夠有效地從大量數(shù)據(jù)中挖掘關(guān)鍵信息，在智能化狀態(tài)評(píng)估領(lǐng)域取得了廣泛的應(yīng)用.

上述方法通常根據(jù)已有的充足且?guī)?biāo)簽的數(shù)據(jù)集，利用智能化狀態(tài)評(píng)估技術(shù)和模型建立傳感器信號(hào)和滾珠絲杠副狀態(tài)之間的函數(shù)隱射關(guān)系.但在實(shí)際工程應(yīng)用中，受制于故障所引發(fā)的嚴(yán)重后果、獲取標(biāo)簽的成本過(guò)高、復(fù)雜多變的運(yùn)行工況環(huán)境等實(shí)際因素，通常難以在特定工況下獲得大量帶標(biāo)簽數(shù)據(jù)集，制約了現(xiàn)有智能化狀態(tài)評(píng)估方法在滾珠絲杠副中的應(yīng)用.針對(duì)以上問(wèn)題，學(xué)者們開(kāi)展了一系列研究，取得了較為成功的應(yīng)用成果：Li等[15]考慮復(fù)雜工況下采集的機(jī)械故障監(jiān)測(cè)數(shù)據(jù)特征具有不匹配性，提出了一種集成學(xué)習(xí)和多重深度遷移學(xué)習(xí)的故障診斷方法，提升模型對(duì)跨域不變特征的學(xué)習(xí)能力；Azamfar等[16]利用特征分布自適應(yīng)模塊對(duì)復(fù)雜工況下的差異性特征進(jìn)行適配，可有效地應(yīng)對(duì)復(fù)雜工況下的滾珠絲杠副狀態(tài)評(píng)估任務(wù)；Zhu等[17]提出結(jié)合特征間的余弦相似性和Wasserstein距離，在滾珠絲杠副故障診斷中達(dá)到了較高的識(shí)別準(zhǔn)確率，進(jìn)一步推動(dòng)了智能化狀態(tài)評(píng)估研究的發(fā)展.

深度域?qū)箤W(xué)習(xí)（DAT）是一種是近年出現(xiàn)的深度遷移學(xué)習(xí)方法[18]，通過(guò)利用帶標(biāo)簽源域?qū)崿F(xiàn)對(duì)無(wú)標(biāo)簽條件下的目標(biāo)域數(shù)據(jù)的特征學(xué)習(xí)和提取，完成域不變特征的知識(shí)遷移[19].在訓(xùn)練過(guò)程中，DAT以動(dòng)態(tài)對(duì)抗的方式減小域判別器所學(xué)到的源域和目標(biāo)域之間的特征分布差異，使得判別器無(wú)法識(shí)別特征來(lái)源于源域還是目標(biāo)域，確保模型將特征隱射到跨域共享特征子空間[20].基于DAT的智能化圖像識(shí)別和故障診斷方法近年來(lái)被廣泛應(yīng)用，但滾珠絲杠副退化狀態(tài)評(píng)估智能化狀態(tài)評(píng)估方法相關(guān)的研究較少，亟須進(jìn)一步探索.

本文針對(duì)滾珠絲杠副狀態(tài)評(píng)估應(yīng)用中的復(fù)雜工況和標(biāo)簽缺失等應(yīng)用難點(diǎn)，通過(guò)分析滾珠絲杠副振動(dòng)信號(hào)的特點(diǎn)，在現(xiàn)有智能化狀態(tài)評(píng)估方法進(jìn)行研究和改進(jìn)，提出一種基于多尺度域?qū)箤W(xué)習(xí)的智能化狀態(tài)評(píng)估方法.該方法采用多尺度深度卷積神經(jīng)網(wǎng)絡(luò)作為自適應(yīng)特征提取器，進(jìn)而對(duì)多尺度特征進(jìn)行融合學(xué)習(xí)，最終利用域?qū)箤W(xué)習(xí)模塊減少訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)之間的特征分布差異.所提方法在復(fù)雜工況下的滾珠絲杠副退化狀態(tài)識(shí)別任務(wù)中取得了較好的識(shí)別效果，同時(shí)放寬了模型對(duì)標(biāo)簽的要求.本文分別從深度域?qū)箤W(xué)習(xí)原理、所提方法框架和試驗(yàn)結(jié)果3個(gè)方面進(jìn)行介紹.

1 深度域?qū)箤W(xué)習(xí)原理

深度域?qū)箤W(xué)習(xí)[21]受啟發(fā)于生成對(duì)抗網(wǎng)絡(luò)（GAN）[22]，將源域和目標(biāo)域分別看作輸入的真實(shí)樣本和生成器生成的虛假樣本，從而進(jìn)行對(duì)抗訓(xùn)練學(xué)習(xí).DAT通過(guò)域分類器預(yù)測(cè)樣本的域標(biāo)簽，同時(shí)計(jì)算預(yù)測(cè)標(biāo)簽和真實(shí)域標(biāo)簽之間的二元分類損失.深度域?qū)箤W(xué)習(xí)的流程如圖1所示.圖中：MACNN 1～5為多尺度注意力卷積神經(jīng)網(wǎng)絡(luò)模塊；GAP為全局平均層；FO為特征輸出層.當(dāng)訓(xùn)練完成時(shí)，模型難以分辨特征是來(lái)自于訓(xùn)練集還是測(cè)試集，此時(shí)可認(rèn)為模型已經(jīng)學(xué)習(xí)到了跨域不變的關(guān)鍵特征.

圖1 深度域?qū)鼓Ｐ土鞒蘁ig.1 Flowchart of deep adversarial training model

DAT及其相關(guān)算法在圖像識(shí)別、人臉識(shí)別和故障診斷等領(lǐng)域取得了廣泛的應(yīng)用[15].在實(shí)際應(yīng)用中，DAT通常以深度模型作為特征提取器，從而自適應(yīng)地提取關(guān)鍵特征.使用過(guò)程中存在的問(wèn)題主要包括：DAT中深度學(xué)習(xí)模型著重于提取某一尺度的特征，缺乏刻畫多尺度下的目標(biāo)特征的能力； DAT通常將源域和目標(biāo)域中學(xué)習(xí)到的特征進(jìn)行對(duì)抗訓(xùn)練，當(dāng)特征量較大時(shí)，模型缺乏對(duì)關(guān)鍵特征的關(guān)注，導(dǎo)致模型泛化能力降低.

針對(duì)以上問(wèn)題，本文提出了基于多尺度域?qū)箤W(xué)習(xí)框架，以具有多尺度特征學(xué)習(xí)能力的深度卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，結(jié)合跨域混合訓(xùn)練方法增強(qiáng)模型在復(fù)雜工況下的特征學(xué)習(xí)能力和跨域泛化能力.

2 多尺度域?qū)箤W(xué)習(xí)框架

本文所提的多尺度域?qū)箤W(xué)習(xí)框架主要包括多尺度注意力卷積神經(jīng)網(wǎng)絡(luò)模塊（MACNN）和域?qū)鼓K.其中，MACNN借鑒多尺度學(xué)習(xí)[23]的思想，利用不同尺度的卷積核對(duì)輸入特征進(jìn)行學(xué)習(xí)，提升網(wǎng)絡(luò)的自適應(yīng)能力.應(yīng)對(duì)多卷積帶來(lái)的參數(shù)數(shù)量增長(zhǎng)和特征冗余問(wèn)題，MACNN引入神經(jīng)網(wǎng)絡(luò)注意力機(jī)制，對(duì)特征重要性進(jìn)行建模和加權(quán)，提升模型在多尺度條件下特征提取的有效性.為了進(jìn)一步提升網(wǎng)絡(luò)對(duì)復(fù)雜工況下的故障識(shí)別能力，所提多尺度域?qū)箤W(xué)習(xí)框架采用域?qū)鼓K，通過(guò)對(duì)所學(xué)的多尺度特征進(jìn)行對(duì)抗訓(xùn)練，動(dòng)態(tài)地減少源域和目標(biāo)域數(shù)據(jù)之間的分布差異，從而提高模型的泛化能力，提升模型對(duì)滾珠絲杠副退化狀態(tài)的識(shí)別準(zhǔn)確率.

2.1 MACNN模塊

MACNN模塊的核心思想是利用多個(gè)不同尺度的卷積核去學(xué)習(xí)原始信號(hào)中的短期和長(zhǎng)期特征，從而提升模型對(duì)復(fù)雜多尺度特征的刻畫能力.MACNN采用多組并行的卷積神經(jīng)網(wǎng)絡(luò)分支，通過(guò)調(diào)整不同分支所用的卷積核大小，利用多個(gè)卷積層學(xué)習(xí)不同時(shí)間尺度的特征，并將多組特征拼接起來(lái)作為最終的特征輸出.滾珠絲杠副振動(dòng)信號(hào)具有變化快和周期性強(qiáng)等特點(diǎn)（包括沖擊峰值等短時(shí)沖擊特征以及振蕩周期等長(zhǎng)時(shí)周期特征），利用多尺度特征提取網(wǎng)絡(luò)能夠有效增強(qiáng)網(wǎng)絡(luò)對(duì)不同尺度下的特征建模能力.

圖2展示了單個(gè)MACNN模塊的基本結(jié)構(gòu).圖中：SECNN為帶有網(wǎng)絡(luò)注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)模塊.由圖可知，輸入特征x被送往多組并行卷積網(wǎng)絡(luò)之中進(jìn)行特征提取，每個(gè)網(wǎng)絡(luò)分支分別包含不同大小的卷積核、歸一化層（BN層）、激活層（ReLU）以及防止過(guò)擬合的Dropout層.考慮到多組網(wǎng)絡(luò)參數(shù)帶來(lái)的參數(shù)增長(zhǎng)，模型更容易出現(xiàn)特征冗余，從而降低了特征學(xué)習(xí)的有效性.因此，在對(duì)多組特征進(jìn)行拼接之后，在網(wǎng)絡(luò)中引入注意力機(jī)制，對(duì)多尺度特征進(jìn)行顯式評(píng)分和重構(gòu)，抑制無(wú)關(guān)特征帶來(lái)的干擾信息.

圖2 MACNN模塊示意Fig.2 Structure of the MACNN module

在神經(jīng)網(wǎng)絡(luò)中引入注意力能夠?qū)W(wǎng)絡(luò)學(xué)習(xí)特征的重要性進(jìn)行評(píng)估，并以此度量模型所學(xué)特征的重要性.以卷積神經(jīng)網(wǎng)絡(luò)為例，每一層神經(jīng)網(wǎng)絡(luò)的卷積核只能學(xué)習(xí)到局部感受野上的信息，而所有卷積核局部特征的疊加構(gòu)成了數(shù)據(jù)信號(hào)的全局描述.對(duì)于不同的卷積核通道，其關(guān)注的區(qū)域也不相同，因此特征的重要性也不盡相同.帶注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)流程如圖3所示.圖中：H、W和C分別為特征的高度、寬度和通道維數(shù).

圖3 帶注意力機(jī)制的CNN網(wǎng)絡(luò)Fig.3 CNN networks with attention mechanisms

Hu等[24]提出了一種基于壓縮和重構(gòu)卷積核通道間重要性的深度學(xué)習(xí)注意力模塊（SENet），通過(guò)顯式地計(jì)算特征通道之間的關(guān)系，提升對(duì)當(dāng)前任務(wù)有效特征并抑制無(wú)效特征.SENet主要包括特征壓縮模塊和特征重構(gòu)模塊.SENet可采用全局均值化層（GAP）來(lái)實(shí)現(xiàn)特征壓縮過(guò)程，從而將特征圖中的關(guān)鍵信息以低維方式儲(chǔ)存.隨后，可利用疊加的全連接層學(xué)習(xí)不同特征之間的非線性關(guān)系，為重要的特征賦予更高的權(quán)重.SENet的具體流程如圖4所示.

圖4 SENet的具體實(shí)現(xiàn)流程Fig.4 Implementation details of the SENet network

尺度為H×L×C的特征圖譜，其特征壓縮過(guò)程的數(shù)學(xué)描述為

式中：uc為輸入特征U在第c個(gè)通道的特征分量；Zc為壓縮完成后的特征.

SENet的特征重構(gòu)過(guò)程可通過(guò)多個(gè)全連接層進(jìn)行實(shí)現(xiàn)，其數(shù)學(xué)表達(dá)式為

式 中 ： δReLU和 σSigmoid分 別 為 所 選 用 的 ReLU和Sigmoid函數(shù)；W1和W2分別為兩個(gè)全連接層；s為輸出特征.

選定中間過(guò)程的特征降維率為r，W1接受的特征輸入尺寸可寫作 （ 1×1×C） ，其輸出特征尺寸為而W2的輸入和輸出尺寸和W1相反，分別為

2.2 多尺度域?qū)箤W(xué)習(xí)框架

基于2.1節(jié)中所提的MACNN模塊，本節(jié)提出一種基于多尺度域?qū)箤W(xué)習(xí)的深度學(xué)習(xí)框架，如圖5所示.

圖5 多尺度域?qū)箤W(xué)習(xí)框架Fig.5 Structure of multi-scale adversarial domain adversarial learning

在所提多尺度域?qū)箍蚣苤?，MACNN模塊卷積神經(jīng)網(wǎng)絡(luò)模塊的具體參數(shù)設(shè)置如表1所示.其中，每個(gè)卷積網(wǎng)絡(luò)模塊包括3個(gè)不同大小的卷積核，對(duì)特征進(jìn)行分別卷積運(yùn)算并最終將所學(xué)的多尺度特征進(jìn)行拼接，作為下一個(gè)卷積網(wǎng)絡(luò)模塊的輸入.在經(jīng)過(guò)多層MACNN層運(yùn)算之后，輸出特征被送入GAP層進(jìn)行特征降維，以減少模型所需的參數(shù)量.最終，特征通過(guò)全連接層（FC）將特征輸出為所需維度，并用于預(yù)測(cè)數(shù)據(jù)標(biāo)簽以及計(jì)算模型的損失函數(shù).

表1 MACNN模塊基礎(chǔ)參數(shù)Tab.1 Basic parameters of the MACNN modules

所提多尺度域?qū)箤W(xué)習(xí)網(wǎng)絡(luò)模型需要首先實(shí)現(xiàn)對(duì)源域數(shù)據(jù)的精準(zhǔn)識(shí)別，其次需能夠高效地減少源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)之間的特征分布差異.因此，所提模型的損失函數(shù)主要包含模型在源域中的標(biāo)簽預(yù)測(cè)損失以及源域和目標(biāo)域之間的域分類損失.源域中的標(biāo)簽預(yù)測(cè)損失可寫作交叉熵形式，如式（3）.

式中：xi和xk為 計(jì)算交叉熵?fù)p失所用的特征；yi為 特征xi所對(duì)用的樣本標(biāo)簽；I為0-1變量，yi=c取 1，yi≠c取 0.

此外，網(wǎng)絡(luò)還需通過(guò)域?qū)鼓K實(shí)現(xiàn)數(shù)據(jù)之間的特征差異最小化，從而保證在源域?qū)W到的知識(shí)能有效地應(yīng)用于目標(biāo)域的任務(wù).域?qū)鼓K的優(yōu)化損失為

式中：Gd為 域判別器，負(fù)責(zé)對(duì)網(wǎng)絡(luò)學(xué)習(xí)到的特征歸屬進(jìn)行判斷，其參數(shù)為 θd；Xi為模型最終輸出特征；Ds和Dt分別為帶標(biāo)簽源域和無(wú)標(biāo)簽?zāi)繕?biāo)域；yc為標(biāo)簽為c的樣本.

綜合式（3）和式（4），最終的模型損失函數(shù)為

式中： λ 為權(quán)衡各部分損失函數(shù)的超參數(shù)，隨著網(wǎng)絡(luò)更新而逐漸降低， λ =0.6/(1.0+0.15i)0.5; θf(wàn)為特征提取模型的參數(shù)空間；Cy為 模型的真實(shí)標(biāo)簽集.

網(wǎng)絡(luò)更新學(xué)習(xí)率l=0.01/(1.0+0.15i)0.5.基于式（5），應(yīng)用反向傳播算法和Adam算法來(lái)更新整個(gè)網(wǎng)絡(luò)的梯度和權(quán)重.

3 實(shí)驗(yàn)與結(jié)果分析

3.1 滾珠絲杠副全壽命試驗(yàn)

利用滾珠絲杠副加速退化試驗(yàn)臺(tái)開(kāi)展?jié)L珠絲杠副加速性能退化試驗(yàn).試驗(yàn)臺(tái)機(jī)械部分如圖6所示，主要由伺服電機(jī)、滾珠絲杠副、支撐軸承、工作平臺(tái)、磁粉制動(dòng)裝置和傳動(dòng)裝置等部分組成.試驗(yàn)臺(tái)工作時(shí)：電機(jī)負(fù)責(zé)為系統(tǒng)提供驅(qū)動(dòng)力，從而帶動(dòng)滾珠絲杠副進(jìn)行旋轉(zhuǎn)運(yùn)動(dòng)；絲杠螺母帶動(dòng)與其連接的工作平臺(tái)做直線往復(fù)運(yùn)動(dòng).

圖6 滾珠絲杠副加速退化試驗(yàn)臺(tái)Fig.6 Accelerated degradation test bench for ball screw

在運(yùn)行過(guò)程中，可通過(guò)電機(jī)和磁粉制動(dòng)裝置調(diào)節(jié)系統(tǒng)轉(zhuǎn)速和輸出扭矩，從而開(kāi)展多工況條件下的滾珠絲杠副性能退化試驗(yàn).試驗(yàn)選用的滾珠絲杠副型號(hào)為FFZD4010-3，其安裝方式為固定-支撐式.所用滾珠絲杠副的具體參數(shù)如表2.

表2 所選FFZD4010-3型滾珠絲杠副基礎(chǔ)參數(shù)Tab.2 Basic parameters of selected FFZD4010-3 ball screw

考慮到滾珠絲杠副的性能退化主要受到軸向載荷和轉(zhuǎn)速等運(yùn)行工況的影響，因此，設(shè)計(jì)多工況下的滾珠絲杠副性能退化試驗(yàn)獲取滾珠絲杠副全壽命性能退化數(shù)據(jù).具體工況設(shè)置如表3所示.試驗(yàn)選擇間隔采樣的數(shù)據(jù)采集方式，每隔40 min進(jìn)行一次數(shù)據(jù)采樣，對(duì)滾軸絲杠副運(yùn)行的往返行程進(jìn)行采樣，每次采樣時(shí)長(zhǎng)為60 s，試驗(yàn)所用采樣頻率為5 kHz.

表3 試驗(yàn)工況詳細(xì)參數(shù)Tab.3 Detailed parameters of test working conditions

滾珠絲杠副的性能退化過(guò)程通常包括磨合期、穩(wěn)定器、快速退化期和退化失效期.基于此性能退化過(guò)程，通過(guò)對(duì)絲杠表面形貌變化以及振動(dòng)信號(hào)進(jìn)行分析，可將滾珠絲杠副的運(yùn)行狀態(tài)大致分化為啟動(dòng)階段、平穩(wěn)階段、退化階段和快速退化階段.在以上階段中，滾珠絲杠副失效的概率逐漸增加，直至出現(xiàn)嚴(yán)重故障.圖7為滾珠絲杠副快速退化階段的振動(dòng)信號(hào)圖.該信號(hào)采集于安裝在螺母座上的加速度傳感器，并分別包括3個(gè)方向上的信號(hào)源.

圖7 滾珠絲杠副運(yùn)行末期信號(hào)Fig.7 Signals at the end of the ball screw operation

3.2 實(shí)驗(yàn)結(jié)果分析

根據(jù)對(duì)滾珠絲杠副退化過(guò)程數(shù)據(jù)的分析，將滾珠絲杠副退化數(shù)據(jù)分為4組：前42組數(shù)據(jù)作為啟動(dòng)階段；43～120組數(shù)據(jù)作為平穩(wěn)階段；121～183組數(shù)據(jù)作為退化階段；184組之后的數(shù)據(jù)作為快速退化階段.以上4組數(shù)據(jù)的標(biāo)簽分別為0、1、2、3.將振動(dòng)傳感器所采集3個(gè)方向的振動(dòng)信號(hào)進(jìn)行整合，構(gòu)建試驗(yàn)原始數(shù)據(jù)集，并將其分割為長(zhǎng)度為1 200的一維信號(hào)，用于模型的訓(xùn)練與測(cè)試.

根據(jù)帶標(biāo)簽工況數(shù)據(jù)和無(wú)標(biāo)簽工況數(shù)據(jù)的不同，共構(gòu)建6組遷移狀態(tài)識(shí)別任務(wù)，訓(xùn)練任務(wù)的詳細(xì)設(shè)置參考表4.試驗(yàn)任務(wù)考慮多種工況情況，以任務(wù)A為例：工況1代表帶標(biāo)簽源域，工況2代表無(wú)標(biāo)簽數(shù)據(jù)集.對(duì)于狀態(tài)識(shí)別任務(wù)，所有源域數(shù)據(jù)和70%目標(biāo)域數(shù)據(jù)用于模型的訓(xùn)練，剩余目標(biāo)域數(shù)據(jù)用于測(cè)試模型的識(shí)別性能.在所有測(cè)試任務(wù)中，超參數(shù)的取值策略都與所提方法相同.

表4 滾珠絲杠副退化狀態(tài)識(shí)別試驗(yàn)Tab.4 Ball screw degradation state identification test

為了減少隨機(jī)因素對(duì)模型識(shí)別結(jié)果的影響，將各組狀態(tài)評(píng)估子任務(wù)重復(fù)進(jìn)行10次，其最終的平均識(shí)別結(jié)果如表5.所有任務(wù)的超參數(shù)、學(xué)習(xí)率、網(wǎng)絡(luò)結(jié)構(gòu)等都保持一致，網(wǎng)絡(luò)初始參數(shù)通過(guò)隨機(jī)初始化得到.從表中可知，所提方法在所有任務(wù)中都取得了較好的識(shí)別準(zhǔn)確度.圖8進(jìn)一步詳細(xì)展示了所提方法在不同任務(wù)重復(fù)實(shí)驗(yàn)中所取得的識(shí)別準(zhǔn)確率以及其對(duì)應(yīng)的方差，可知所提方法在所有子任務(wù)多次重復(fù)試驗(yàn)中的方差較小，具有較穩(wěn)定的識(shí)別效果.綜合以上結(jié)果可知：所提方法能夠充分應(yīng)對(duì)復(fù)雜工況下的滾珠絲杠副退化狀態(tài)識(shí)別問(wèn)題，具有較好的應(yīng)用效果和實(shí)際應(yīng)用前景.

表5 退化狀態(tài)識(shí)別試驗(yàn)結(jié)果Tab.5 Results of degradation state identification tests %

圖8 滾珠絲杠副退化狀態(tài)識(shí)別子任務(wù)結(jié)果Fig.8 Results of ball screw degradation state recognition tasks

為了探究所提方法對(duì)輸入樣本數(shù)量的敏感程度，選擇任務(wù)C作為研究對(duì)象，對(duì)比和分析所提方法在不同樣本數(shù)量下的退化狀態(tài)識(shí)別能力.在任務(wù)C的基礎(chǔ)之上，構(gòu)建包含不同數(shù)量帶標(biāo)簽工況樣本的訓(xùn)練樣本數(shù)據(jù)集，分別包含 100、200、500、1 000、2 000個(gè)和3 000個(gè)訓(xùn)練數(shù)據(jù).

圖9匯總了所構(gòu)建任務(wù)的退化狀態(tài)識(shí)別結(jié)果.由圖9可知：對(duì)500個(gè)樣本及以上的退化識(shí)別任務(wù)能夠取得高于90%的平均退化識(shí)別準(zhǔn)確率；對(duì)于少于500個(gè)訓(xùn)練樣本的退化識(shí)別任務(wù)，也能夠取得接近85%的平均識(shí)別率.因此，所提方法的性能在樣本量較少的情況下也能取得較好的識(shí)別效果，并且識(shí)別效果隨著樣本數(shù)量的增多而增強(qiáng).

圖9 不同樣本數(shù)量下的退化狀態(tài)識(shí)別結(jié)果Fig.9 Results of ball screw degradation state recognition tasks with various samples quantities

3.3 方法對(duì)比

為了驗(yàn)證所提方法的優(yōu)勢(shì)，將本文所提方法與現(xiàn)有先進(jìn)算法進(jìn)行對(duì)比與分析.先進(jìn)算法包括以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度模型方法（CNN）、聯(lián)合概率分布自適應(yīng)方法（JDAN）[25]和與深度域?qū)狗椒ǎ―ANN）.將對(duì)比方法和本文所提方法應(yīng)用于滾珠絲杠副退化評(píng)估試驗(yàn)任務(wù)E，其識(shí)別結(jié)果如表6所示.由實(shí)驗(yàn)結(jié)果可知：本文所提方法取得了最優(yōu)的識(shí)別精度，達(dá)到了91.84%；CNN方法的識(shí)別精度最低，僅為73.57%.在復(fù)雜工況條件下，傳統(tǒng)深度學(xué)習(xí)模型無(wú)法有效地提取關(guān)鍵特征，從而導(dǎo)致識(shí)別性能下降，而本文所提方法結(jié)合多尺度特征提取和深度學(xué)習(xí)注意力機(jī)制，進(jìn)一步提升了模型對(duì)于復(fù)雜工況下的特征的泛化能力，能夠取得更加理想的退化狀態(tài)識(shí)別效果.

表6 所提方法與對(duì)比方法的結(jié)果比較Tab.6 Comparison between the proposed method and the state-of-the-art methods

為了進(jìn)一步展示所提方法的有效性，采用t-分布隨機(jī)鄰域（t-SNE）對(duì)傳統(tǒng)CNN方法和所提方法進(jìn)行可視化分析.t-SNE技術(shù)可將高維特征映射到低維空間，并以散點(diǎn)圖的形式直觀地展示特征的聚類分布特性.選用最后一層全連接層的輸出特征作為可視化對(duì)象，其結(jié)果如圖10.在圖10中：S0和T0分別代表源域和目標(biāo)域數(shù)據(jù)集中標(biāo)簽為0的高維特征，以此類推.由可視化結(jié)果可知：CNN方法所學(xué)不同工況特征的聚合效果較差，網(wǎng)絡(luò)未能在復(fù)雜工況條件下有效地提取關(guān)鍵特征；所提方法學(xué)習(xí)到的特征被清楚地分為4組，且同一退化狀態(tài)的特征之間的匹配程度較高，不同退化狀態(tài)的特征則相互分離，此時(shí)模型能夠識(shí)別出不同類特征之間的差異性，從而實(shí)現(xiàn)高準(zhǔn)確率的退化狀態(tài)評(píng)估.

圖10 t-SNE特征可視化結(jié)果Fig.10 Feature visualization results via t-SNE

4 結(jié) 論

1） 提出了基于多尺度注意力卷積神經(jīng)網(wǎng)絡(luò)模塊，利用不同尺度的卷積核對(duì)輸入特征進(jìn)行學(xué)習(xí)，同時(shí)引入神經(jīng)網(wǎng)絡(luò)注意力機(jī)制，對(duì)特征重要性進(jìn)行建模和加權(quán)，應(yīng)對(duì)多卷積帶來(lái)的參數(shù)量增長(zhǎng)和特征冗余問(wèn)題，提升模型在多尺度條件下的特征提取的有效性.

2） 提出了多尺度域?qū)箤W(xué)習(xí)框架，并將其應(yīng)用于其應(yīng)用在復(fù)雜工況下的滾珠絲杠副退化狀態(tài)識(shí)別任務(wù)之中.利用域?qū)鼓K對(duì)跨域特征之間的差異性進(jìn)行建模，確保模型能夠有效地學(xué)習(xí)具有相似特征分布的子空間，從而應(yīng)對(duì)滾珠絲杠副狀態(tài)評(píng)估應(yīng)用中的復(fù)雜工況和標(biāo)簽缺失的應(yīng)用難點(diǎn).

3） 本文方法可以針對(duì)不同工況下的滾珠絲杠副退化信號(hào)進(jìn)行高效的特征提取和狀態(tài)識(shí)別，并且對(duì)訓(xùn)練樣本數(shù)量不敏感，能夠在較少樣本條件下自