收稿日期：2022-02-24

基金項目：國家自然科學基金（51465035）；甘肅省自然科學基金（20JR5RA466）

通信作者：薛林林（1995—），男，碩士研究生，主要從事機械系統(tǒng)故障診斷方面的研究。xuell544614966@163.com

DOI：10.19912/j.0254-0096.tynxb.2022-0204 文章編號：0254-0096（2023）06-0436-09

摘 要：為解決實際應用中風力機滾動軸承故障訓練樣本嚴重不足的問題，提出一種基于改進殘差神經(jīng)網(wǎng)絡與遷移學習的小樣本滾動軸承故障診斷模型。首先，該模型將擠壓與激勵網(wǎng)絡嵌入到一維殘差神經(jīng)網(wǎng)絡中，增加了模型的特征提取能力；其次，使用源域數(shù)據(jù)對所搭建改進殘差神經(jīng)網(wǎng)絡模型進行訓練，確定結(jié)構(gòu)和參數(shù)，并使用L2正則化和Dropout機制抑制過擬合；然后，引入遷移學習，凍結(jié)使用源域數(shù)據(jù)訓練好的部分模型參數(shù)，使用少量目標域數(shù)據(jù)對模型的全連接層參數(shù)進行微調(diào)；最后，對不同故障的樣本進行分類。該方法在凱斯西儲大學軸承數(shù)據(jù)集和本實驗室軸承數(shù)據(jù)集上進行實驗驗證，實驗結(jié)果表明：在不同實驗條件下，所提方法與其他方法的計算結(jié)果進行比較，其均有更高的故障診斷準確度和更強的泛化能力。

關鍵詞：風力機；滾動軸承；故障診斷；遷移學習；擠壓與激勵網(wǎng)絡；小樣本

中圖分類號：TH133.33 " 文獻標志碼：A

0 引 言

進入21世紀，能源安全和環(huán)境保護已成為全球化問題。各國政府高度重視發(fā)展可再生能源，風力發(fā)電作為可再生能源技術(shù)之一，由于其存在眾多優(yōu)點，正朝著大型化、規(guī)模化的方向發(fā)展。旋轉(zhuǎn)機械是風力機中廣泛使用的機械類型之一，其可靠性和安全性對風力機的穩(wěn)定運行至關重要。軸承是旋轉(zhuǎn)機械中最關鍵的部件，由于其復雜的工作環(huán)境，也是最易損壞的部件之一［1-2］。因此，軸承故障的及時診斷對于保障風電設備的高效運行具有重要作用［3］。

近年來，隨著智能制造的發(fā)展，設備運行數(shù)據(jù)的獲取變得容易［4］，這種情況促進了基于深度學習的故障診斷方法的發(fā)展，并取得了一些顯著成果。文獻［5］采用基于門控遞歸單元的降噪自編碼器，在軸承數(shù)據(jù)分類任務中取得了較高的精度。文獻［6］通過人工變性天牛算法對SDAE網(wǎng)絡超參數(shù)進行自適應選取，在風力機組軸承故障診斷中取得了更好的表現(xiàn)。文獻［7］將殘差神經(jīng)網(wǎng)絡和數(shù)據(jù)融合相結(jié)合，取得了更高的識別精度。

基于上述方法的故障診斷模型在軸承的狀態(tài)識別中取得了較好的結(jié)果，但需滿足2個條件：1）訓練樣本與測試樣本同來源、同分布；2）需足量的數(shù)據(jù)集。

然而，在實際應用中，一個具有充足樣本量的數(shù)據(jù)集需耗費大量的精力和成本去采集和標注［8］，尤其是在風電行業(yè)，這就導致許多現(xiàn)實場景均存在數(shù)據(jù)量不足或標注不足的情況，致使訓練出的模型精確度不高或泛化能力低。因此，如何在小樣本條件下建立能夠有效識別滾動軸承故障的診斷模型已成為當前一個重要的研究課題。

針對上述問題，遷移學習為學者們提供了一個思路［9］。遷移學習放松了機器學習的2個前提條件，解決了因數(shù)據(jù)分布不同而導致的傳統(tǒng)故障診斷方法應用受限的問題［10］。文獻［11］針對滾動軸承振動數(shù)據(jù)少的問題，提出一種基于VMD和遷移學習的故障診斷模型，取得了更高的準確率。文獻［12］提出一種基于CNN的小樣本遷移學習故障診斷框架，在故障樣本極少的情況下，取得了較高的準確率。文獻［13］針對實際工況下可用的標記故障數(shù)據(jù)較少等問題，提出一種深度遷移卷積神經(jīng)網(wǎng)絡模型，取得了較高的故障診斷精度。文獻［14］提出一種基于CNN和遷移學習的故障診斷模型，該模型在減小計算量的同時，還取得了較高的診斷精度。

上述方法在小樣本滾動軸承故障診斷中得到了較為廣泛的應用，但仍存在不足之處。例如，使用數(shù)據(jù)來自同一型號軸承，只是從一種工況到另一種工況，并未考慮不同軸承振動信號之間的差異，其泛化能力未得到充分證實。此外，在風力機滾動軸承數(shù)據(jù)采集和模型訓練過程中，不同型號及工況下采集到的數(shù)據(jù)的特征分布存在漂移，使得模型的診斷精度降低；同時，訓練樣本量過小，也易導致模型訓練時出現(xiàn)過擬合現(xiàn)象。

因此，為解決上述問題，本文提出一種基于改進殘差神經(jīng)網(wǎng)絡與遷移學習的滾動軸承故障診斷模型。首先，構(gòu)建一種基于一維殘差神經(jīng)網(wǎng)絡與擠壓與激勵網(wǎng)絡的神經(jīng)網(wǎng)絡模型，并使用大量源域樣本對其進行訓練；然后將訓練好的部分模型參數(shù)遷移至目標域，通過少量目標域樣本對模型進行微調(diào)；最后得到適用于小樣本故障診斷的神經(jīng)網(wǎng)絡模型，并通過不同數(shù)據(jù)集進行實驗驗證。

1 基本原理

1.1 ResNet

為解決神經(jīng)網(wǎng)絡隨深度增加而產(chǎn)生的網(wǎng)絡退化問題，何凱明等［15］提出殘差神經(jīng)網(wǎng)絡（residual neural network， ResNet）。ResNet由多個殘差模塊堆疊組成，殘差模塊如圖1所示。

殘差模塊通過捷徑連接的方式，將輸入數(shù)據(jù)直接傳遞至輸出，使整個模型只需學習輸入和輸出之間不同的部分，在簡化網(wǎng)絡學習任務的同時，提高了網(wǎng)絡的判別能力。其學習過程為：

[Hx=Fx+x]"" （1）

式中：[x]——恒等映射；[Hx]——未知映射；[Fx]——殘差映射。

得益于捷徑連接，ResNet計算性質(zhì)從乘法變?yōu)榧臃ǎ瑯O大地緩解了隨網(wǎng)絡深化而出現(xiàn)的網(wǎng)絡退化問題，提高了模型訓練時的穩(wěn)定性，使可訓練網(wǎng)絡的層數(shù)大大增加。

1.2 SENet

胡潔等［16］于2018年提出擠壓與激勵網(wǎng)絡（squeeze-and-excitation networks， SENet），該網(wǎng)絡自動學習每個特征通道的重要性參數(shù)，并根據(jù)獲得的參數(shù)對特征進行提取，網(wǎng)絡結(jié)構(gòu)如圖2所示。

在傳統(tǒng)的深度神經(jīng)網(wǎng)絡中，通常會對卷積后得到的每個通道都進行相同的處理，即分配的權(quán)重是相同的。但在實際中，卷積后每個通道提取的特征信息不同，其重要性也不同。SENet通過Squeeze模塊和Exciation模塊實現(xiàn)了通道之間的權(quán)重生成，提高了對有用信息的敏感程度。

首先，輸入數(shù)據(jù)在Squeeze模塊通過全局平均池化進行特征壓縮，從而將每個特征圖在一定程度上轉(zhuǎn)化為一個具有全局感受野的實數(shù)，如式（2）所示。

[Zc=Fsquc=1H×Wi=1Hj=1Wuci，j]"" （2）

式中：[Fsq]——Squeeze操作；[Zc]——Squeeze模塊輸出，也為Exciation模塊的輸入；[uci，j]——輸入數(shù)據(jù)。

然后，將數(shù)據(jù)導入Exciation模塊。Exciation操作通過參數(shù)[W]學習通道之間的非線性關系，并更新每一個特征通道相對應的權(quán)重，如式（3）所示。

[s=Fexz，W=σgz，W=σW2δW1z] （3）

式中：[s]——特征通道權(quán)重；[σ]——Sigmoid激活函數(shù)；[W1]、[W2]——全連接層參數(shù)；[δ]——ReLU激活函數(shù)。

最后，對數(shù)據(jù)進行重標定操作。Exciation模塊輸出值為每個特征通道的重要程度，將輸出值通過點積方式逐個通道加權(quán)到先前的特征上，實現(xiàn)原始特征通道的重新標定，如式（4）所示。

[X′=Fscaleuc，sc=sc?uc]" （4）

式中：[sc∈0，1]；[uc]——特征通道。

SENet作為一個獨立的子網(wǎng)絡結(jié)構(gòu)，可嵌入到原有的網(wǎng)絡中，從而提升網(wǎng)絡模型對有用特征的敏感程度。SENet只需增加少量的計算量，便可提升模型的分類準確度。

本文將SENet嵌入到一維殘差神經(jīng)網(wǎng)絡中，以提升模型對有用特征的利用程度。SENet嵌入到殘差模塊的網(wǎng)絡結(jié)構(gòu)圖如圖3所示。

1.3 遷移學習

1901年，Thorndike和Woodworth提出遷移學習（Transfer learning）概念。他們從教育心理學的角度出發(fā)，發(fā)現(xiàn)人類可利用已有知識更快地解決新的問題。2010年，遷移學習被重新定義［17］。遷移學習即利用數(shù)據(jù)之間的關聯(lián)性，將知識遷移到新領域中，達到提高準確性或減少訓練時間的目的。

領域（Domain）和任務（Task）是遷移學習的2個基礎性概念。依據(jù)數(shù)據(jù)的不同來源和作用，領域被分為源域[Ds]和目標域[Dt]，由特征空間[χ]及邊際概率分布[P（X）]組成。在概率分布[P（X）]中，[X=x1，x2，???，xn∈χ]。源域[Ds]中存在許多標注數(shù)據(jù)，用于訓練分類器，但源域中的數(shù)據(jù)和目標域中的數(shù)據(jù)之間存在差異。目標域[Dt]包含少量帶有標注的訓練數(shù)據(jù)，可用于微調(diào)分類器以提高分類精度，完成分類任務。任務[T]由標記空間[Y]和預測函數(shù)[f?]組成，形式為[T=Y，f?]。函數(shù)[f?]可以用來預測實例[x]的相應預測函數(shù)值[fx]。遷移學習模型如圖4所示。

隨著深度學習技術(shù)的飛速發(fā)展，遷移學習以其訓練時間少、效率高和無需大量訓練數(shù)據(jù)等優(yōu)點，被應用于越來越多的領域。

2 新滾動軸承故障診斷模型的建立

本文將SENet對有用特征的敏感性與1D-ResNet的強大特征提取能力充分結(jié)合，并將遷移學習應用于風力機小樣本滾動軸承故障診斷中，提出基于改進殘差神經(jīng)網(wǎng)絡與遷移學習的滾動軸承故障診斷方法。風力機滾動軸承故障診斷流程如圖5所示。

具體步驟為：

1）采集風力機滾動軸承振動信號。為保障故障信息的完整性和可靠性，本文將每個故障數(shù)據(jù)樣本長度設置為2048，對每個樣本均做歸一化處理，如式（5）所示。

[x=x-xminxmax-xmin] （5）

數(shù)據(jù)增強方法采用重疊采樣，即對于源域樣本，分割數(shù)據(jù)時，相鄰樣本之間重疊1024個采樣點，目標域樣本則無重疊，從而達到增加訓練樣本量的目的。

2）采用one-hot編碼方式對分割好的數(shù)據(jù)打上標簽，按比例劃分訓練集、驗證集和測試集。

3）將SENet嵌入到1D-ResNet中，構(gòu)建改進后的殘差模塊，按序堆疊，搭建改進殘差神經(jīng)網(wǎng)絡模型；在所搭建模型的全連接層之間加入Dropout層和L2正則化以抑制過擬合現(xiàn)象，初始化各參數(shù)。

4）將源域數(shù)據(jù)導入模型中，訓練模型參數(shù)，保存模型。

5）將保存的模型遷移至目標域，凍結(jié)部分模型參數(shù)，使用目標域微調(diào)樣本對全連接層參數(shù)進行微調(diào)。

6）使用微調(diào)后的模型對目標域測試集數(shù)據(jù)進行滾動軸承故障診斷，獲取分類結(jié)果，驗證模型性能。

3 軸承故障實驗驗證及分析

為證明所提故障診斷模型的有效性，本文通過不同實驗進行驗證。同時，為表明所提方法的診斷精度和穩(wěn)定性，將本文模型與基于遷移學習的ResNet模型（TL-ResNet）和基于遷移學習的CNN模型（TL-CNN）各自的分類結(jié)果進行比較。

本文選用凱斯西儲大學（Case Western Reserve University， CWRU）軸承數(shù)據(jù)庫數(shù)據(jù)與本實驗室MFS軸承試驗臺采集的數(shù)據(jù)，分別做以下對比實驗：

1）CWRU軸承數(shù)據(jù)庫數(shù)據(jù)跨工況（不同負載）故障診斷實驗；

2）以CWRU軸承數(shù)據(jù)庫數(shù)據(jù)為源域，實驗室軸承試驗臺采集數(shù)據(jù)為目標域，做跨型號跨工況故障診斷實驗；

3）以實驗室軸承試驗臺采集數(shù)據(jù)為源域，CWRU軸承數(shù)據(jù)庫數(shù)據(jù)為目標域，做跨型號跨工況故障診斷實驗。

3.1 實驗數(shù)據(jù)來源及設置

本實驗選用CWRU軸承實驗數(shù)據(jù)［18］與本實驗室MFS軸承試驗臺采集數(shù)據(jù)。

CWRU軸承實驗數(shù)據(jù)包含健康軸承和具有內(nèi)圈、外圈以及滾動體故障的軸承。試驗臺由電機、軸承、傳感器、功率測試計等組成。數(shù)據(jù)選用試驗臺驅(qū)動端軸承數(shù)據(jù)，軸承型號為SKF6205，采樣頻率為12 kHz。故障類型分別為正常、內(nèi)圈損傷、外圈損傷和滾動體損傷。

本實驗室MFS軸承試驗臺為SQI公司所制造，試驗臺滾動軸承固定在支座內(nèi)，軸承型號為ER-16K，左側(cè)為故障軸承，右側(cè)為健康軸承，在2個軸承中間安裝5.1 kg的轉(zhuǎn)子盤施加50 N的徑向載荷，采樣頻率為15.36 kHz。試驗臺左側(cè)軸承有4種狀態(tài)，分別為正常、內(nèi)圈損傷、外圈損傷和滾動體損傷，損傷深度為0.2 mm。

3.2 模型結(jié)構(gòu)參數(shù)設置

本文選用Adam優(yōu)化算法自適應調(diào)整學習率的大小，初始學習率設置為0.001，保證了參數(shù)的平穩(wěn)性。為防止因樣本量過小易出現(xiàn)的過擬合現(xiàn)象，在所搭建模型的2個全連接層之間加入Dropout層以及L2正則化，Dropout大小設置為0.5。迭代次數(shù)設置為30，batch_size為20。

保存使用源域數(shù)據(jù)訓練好的模型，將模型遷移至目標域，凍結(jié)除全連接層參數(shù)之外的所有參數(shù)，在目標域上隨機選取樣本對模型進行微調(diào)，微調(diào)時迭代次數(shù)設置為100。將batch_size分別設置為1、2、4、8進行實驗，發(fā)現(xiàn)當batch_size設置為1時故障分類效果最好，故將微調(diào)參數(shù)batch_size設置為1。

3.3 跨工況遷移故障診斷實驗

滾動軸承在實際工作中，其負載大小往往會發(fā)生改變，因此，驗證所提出的故障診斷模型在不同負載工況下的分類準確率是非常有必要的。

依據(jù)負載的不同，將CWRU軸承數(shù)據(jù)集分為4組，每組數(shù)據(jù)中，各軸承狀態(tài)均有600個樣本數(shù)據(jù)，共計2400個，并按7∶1∶2的比例劃分訓練集、驗證集和測試集。軸承工作狀態(tài)及故障信息見表1。

實驗1：使用源域數(shù)據(jù)分別對所搭建的本文模型、TL-ResNet模型和基于時域分析的TL-CNN模型進行訓練。本文模型訓練過程中的準確率和損失率曲線如圖6所示。由圖6可看出，在第6個迭代次數(shù)后，本文模型在源域測試集上準確率達到99.89%，損失率也下降到0.35%，并在之后的訓練中趨于平穩(wěn)。這表明本文模型在滾動軸承故障診斷中具有良好的穩(wěn)定性和分類效果。

為說明模型在跨工況條件下的分類效果，在目標域數(shù)據(jù)集中隨機選取單類6個樣本對全連接層參數(shù)微調(diào)，并取300個樣本作為測試集。實驗結(jié)果如表2所示，符號“→”的左側(cè)表示源域，右側(cè)表示目標域，“→”表示不同域之間模型的遷移。

從表2中的分類結(jié)果來看，本文方法的平均準確率與穩(wěn)定性明顯高于其余2種方法。當源域數(shù)據(jù)與目標域數(shù)據(jù)來源相同時，3種模型均可獲得最高的平均分類準確率。TL-ResNet模型相較于TL-CNN模型分類結(jié)果較好，且穩(wěn)定性更好。但在跨工況的4組實驗中，本文方法的平均分類準確率在所有情況下均明顯優(yōu)于TL-ResNet模型和TL-CNN模型。以源域數(shù)據(jù)為工況0，目標域數(shù)據(jù)為工況1為例，本文方法的平均準確率為99.35%，比TL-ResNet模型高5.09%，比TL-CNN模型高14.07%。從表2數(shù)據(jù)中也可看出，本文方法的穩(wěn)定性均高于其余2種方法，這表明本文方法改善了在負載改變時，隨診斷結(jié)果的不確定性增加而增加的診斷誤差問題。因此，在跨工況小樣本滾動軸承故障診斷方面，本文所提方法具有更好的特征提取能力和泛化能力，同時避免了小樣本故障診斷的過擬合問題。

3.4 跨型號跨工況故障診斷實驗

在實際場景中，不同旋轉(zhuǎn)機械的軸承型號也可能不同，其軸承振動信號也不盡相同，因此，為了能應用于實際現(xiàn)場，

驗證所提出的故障診斷模型在不同軸承型號之間的分類準確率是非常有必要的。軸承實驗數(shù)據(jù)如表3所示，數(shù)據(jù)集A為CWRU軸承實驗數(shù)據(jù)，數(shù)據(jù)集B為本實驗室MFS軸承試驗臺采集數(shù)據(jù)。

3.4.1 A→B跨型號跨工況故障診斷

實驗2：源域數(shù)據(jù)為數(shù)據(jù)集A，目標域數(shù)據(jù)為數(shù)據(jù)集B，做跨型號跨工況故障診斷實驗。使用源域數(shù)據(jù)對本文模型、TL-ResNet模型和基于時域分析的TL-CNN模型進行訓練，凍結(jié)訓練好的部分模型參數(shù)，分別在目標域數(shù)據(jù)上隨機選取單類6、8、12、16、20個樣本對全連接層參數(shù)進行微調(diào)，取300個樣本作為測試集，其余樣本為驗證集。實驗結(jié)果如圖7所示。

由圖7可看出，在A→B跨型號跨工況的軸承故障診斷實驗中，僅使用6個微調(diào)樣本，本文方法的平均分類準確率便達到94.18%，高于TL-ResNet模型的88.21%和TL-CNN模型的78.94%；隨著微調(diào)樣本數(shù)量的增加，分類準確率均有所提升，在微調(diào)樣本數(shù)為12時，本文方法的分類準確率為99.56%，比TL-ResNet模型高3.8%，比TL-CNN模型高17.3%。

相較于TL-ResNet模型和TL-CNN模型，本文方法采用SENet捕獲特征通道之間的信息，加強模型對有用特征的使用能力，因此，本文方法取得了更高的故障診斷精度。同時，在本小節(jié)中，源域數(shù)據(jù)選取多個故障尺寸下的故障信息，使訓練好的模型具有更強的魯棒性，在測試目標域數(shù)據(jù)集時具有更為穩(wěn)定的準確率。

混淆矩陣可直觀看出不同故障類型被錯分的數(shù)量和類型，本文方法的故障診斷分類結(jié)果混淆矩陣如圖8所示。由圖8可看出，隨著微調(diào)樣本數(shù)量的增加，被錯分的故障樣本越來越少，在微調(diào)樣本數(shù)為20時，僅有2個樣本被錯分，且均為外圈損傷被誤判為內(nèi)圈損傷，說明了本文所提方法在故障診斷方面的具有優(yōu)異的判別能力。

此外，不同樣本數(shù)下的模型診斷性能和穩(wěn)定性也可通過箱線圖更直觀地表達，如圖9所示。由圖9可看出，本文所提方法在所有情況下均具有更好的分類效果和穩(wěn)定性。如圖9d所示，本文所提方法識別準確率均在（99.84±0.1）%，相較于其余2種方法具有更小的方差，且基于時域分析的TL-CNN模型還伴有異常值的出現(xiàn)。

3.4.2 A→B不同故障程度下的跨型號跨工況故障診斷

為進一步研究遷移過程中不同故障程度對模型診斷性能的影響，設置實驗3進行驗證。

實驗3：源域數(shù)據(jù)集為數(shù)據(jù)集A，選擇故障直徑分別為0.18、0.36和0.54 mm的3組軸承數(shù)據(jù)；目標域數(shù)據(jù)集為數(shù)據(jù)集B，共包含故障直徑分別為1.2、1.8和2.4 mm的3組軸承數(shù)據(jù)，分別進行實驗以討論不同故障程度對模型性能的影響，實驗結(jié)果如表4所示。由表4可看出，在每種實驗條件下，本文所提方法的平均分類準確率均在93.88%以上，驗證了本文方法的魯棒性和識別能力。

一方面，從源域故障直徑的影響考慮，當源域故障直徑改變時，模型的分類結(jié)果也發(fā)生變化。當源域數(shù)據(jù)故障直徑為0.36和0.54 mm時，所提方法的故障診斷準確率分別達到94.43%以上和94.24%以上，優(yōu)于在源域數(shù)據(jù)故障直徑為0.18 mm時的故障診斷表現(xiàn)。源域數(shù)據(jù)故障直徑為0.36 mm時的平均故障診斷準確率略高于源域數(shù)據(jù)故障直徑為0.54 mm時，這是因為隨著故障直徑的增大，雖然故障的特征更為明顯，但卻伴隨著更多噪聲干擾信息的產(chǎn)生，降低了部分模型性能。

另一方面，表4也顯示了這樣一個趨勢，即目標域故障直徑越大，故障診斷準確率越高。在所有實驗條件下，當目標域故障直徑為2.4 mm時，均取得該組中的最大準確率。因此，當目標域故障尺寸更大時，故障的種類更易區(qū)分，模型也可獲取更多更有價值的故障特征信息，從而獲得更高的故障診斷精度。同時，由表4中分類準確率的上下偏差可看出，所提方法具有很強的故障診斷穩(wěn)定性，其上下偏差最大值僅為0.71%。

3.4.3 B→A跨型號跨工況故障診斷

實驗4：源域數(shù)據(jù)為數(shù)據(jù)集B，目標域數(shù)據(jù)為數(shù)據(jù)集A，做跨型號跨工況的對比故障診斷實驗，各參數(shù)賦值同3.4.1，實驗結(jié)果如圖10所示。

如圖10所示，B→A跨型號跨工況的軸承故障診斷實驗中，在使用6個微調(diào)樣本的情況下，本文方法的平均分類準確率為92.17%，遠高于TL-ResNet模型的69.05%和TL-CNN模型的76.74%。在微調(diào)樣本數(shù)為12時，本文方法的分類準確率便達99.01%，比TL-ResNet模型高13.65%，比TL-CNN模型高15.71%。

經(jīng)過以上對比分析可知，本文所提方法在各種情況下均優(yōu)于TL-ResNet模型和TL-CNN模型，在僅使用6個微調(diào)樣本的情況下，跨型號跨工況軸承故障診斷的平均準確率比其余模型高6%～23%。因此，所提方法具有更強的泛化能力和更高的故障診斷精度，實驗結(jié)果驗證了本文所提方法的有效性和可行性。

4 結(jié) 論

本文針對風力機滾動軸承故障診斷中存在的小樣本問題，提出一種基于改進殘差神經(jīng)網(wǎng)絡與遷移學習的故障診斷模型。通過CWRU軸承數(shù)據(jù)集與本實驗室軸承數(shù)據(jù)集對模型在不同型號及不同工況之間的分類性能進行驗證，體現(xiàn)了該模型的優(yōu)越性，并得出以下結(jié)論：

1）本文所提模型充分利用了ResNet的特征提取能力，在此基礎上引入SENet以提取特征通道信息，加強了有用特征的權(quán)重，相較于TL-ResNet模型和基于時域分析的TL-CNN模型，不僅具有更高的分類準確率，還具備更好的診斷穩(wěn)定性，有利于風力機等機械設備的良好運行。

2）本文所提模型使用一種預訓練微調(diào)的遷移學習方法，該方法通過軸承數(shù)據(jù)之間的相似性在目標域中共享源域訓練參數(shù)，并使用少量目標域樣本微調(diào)模型參數(shù)，使模型參數(shù)更符合目標域數(shù)據(jù)分類的需求。

3）選用不同負載工況下的源域數(shù)據(jù)和目標域數(shù)據(jù)，相較于其他常用智能診斷算法，該模型具有更好的特征提取能力和泛化能力，同時避免了小樣本故障診斷的過擬合問題。

4）在跨型號跨工況的情況下，本文所提模型能準確識別軸承數(shù)據(jù)集的4種不同故障狀態(tài)，在僅使用6個微調(diào)樣本的情況下，分類準確率便達到92.17%以上，在微調(diào)樣本不斷增加時，該模型依舊保證了其在故障診斷方面的優(yōu)越性。

［參考文獻］

［1］" CHEN Z Q， DENG S C， CHEN X D， et al. Deep neural networks-based rolling bearing fault diagnosis［J］. Microelectronics reliability， 2017， 75： 327-333.

［2］" 向玲， 李營. 風力機組滾動軸承復合故障診斷研究［J］. 太陽能學報， 2021， 42（3）： 90-97.

XIANG L，LI Y. Research on composite fault diagnosis of wind turbine rolling bearings［J］. Acta energiae solaris sinica， 2021， 42（3）： 90-97.

［3］" 張文龍， 胡天亮， 王艷潔， 等. 云/邊緣協(xié)同的軸承故障診斷方法［J］. 計算機集成制造系統(tǒng)， 2020， 26（3）： 589-599.

ZHANG W L， HU T L， WANG Y J， et al. A cloud/edge collaborated bearing fault diagnosis method［J］. Computer integrated manufacturing systems， 2020， 26（3）： 589-599.

［4］" 趙春華， 胡恒星， 陳保家， 等. 基于深度學習特征提取和WOA-SVM狀態(tài)識別的軸承故障診斷［J］. 振動與沖擊， 2019， 38（10）： 31-37， 48.

ZHAO C H， HU H X， CHEN B J， et al. Bearing fault diagnosis based on the deep learning feature extraction and WOA-SVM state recognition［J］. Journal of vibration and shock， 2019， 38（10）： 31-37， 48.

［5］" LIU H， ZHOU J Z， ZHENG Y， et al. Fault diagnosis of rolling bearings with recurrent neural network based autoencoders［J］. ISA transactions， 2018， 77： 167-178.

［6］" 余萍， 曹潔. 優(yōu)化堆疊降噪自動編碼器滾動軸承故障診斷［J］. 太陽能學報， 2021， 42（11）： 307-314.

YU P， CAO J. Optimized stacked denoising auto-encoders （SDAE）-based fault diagnosis of rolling bearing［J］. Acta energiae solaris sinica， 2021， 42（11）： 307-314.

［7］" PENG B S， XIA H， LYU X Z， et al. An intelligent fault diagnosis method for rotating machinery based on data fusion" and" deep" residual"" neural" network［J］." Applied intelligence， 2022， 52： 3051-3065.

［8］" 張根保， 李浩， 冉琰， 等. 一種用于軸承故障診斷的遷移學習模型［J］. 吉林大學學報（工學版）， 2020， 50（5）： 1617-1626.

ZHANG G B， LI H， RAN Y， et al. A transfer learning model" for" bearing" fault"" diagnosis［J］." Journal" of" Jilin University（engineering and technology edition）， 2020， 50（5）： 1617-1626.

［9］" XUE T， WU D H， WANG H G， et al. Research on application of transfer learning in equipment fault diagnosis［J］."" Journal"" of" physics：" conference" series，"" 2021， 1986（1）： 012099.

［10］" WEISS K， KHOSHGOFTAAR T M， WANG D D. A survey of transfer learning［J］. Journal of big data， 2016， 3（1）： 9-48.

［11］" 康守強， 胡明武， 王玉靜， 等. 基于特征遷移學習的變工況下滾動軸承故障診斷方法［J］. 中國電機工程學報， 2019， 39（3）： 764-772.

KANG S Q， HU M W， WANG Y J， et al. Fault diagnosis method of a rolling bearing under variable working conditions based on feature transfer learning［J］. Proceedings of the CSEE， 2019， 39（3）： 764-772.

［12］" WU J Y， ZHAO Z B， SUN C， et al. Few-shot transfer learning for intelligent fault diagnosis of machine［J］. Measurement， 2020， 166： 108202.

［13］" CHEN Z H， CEN J， XIONG J B. Rolling bearing fault diagnosis using time-frequency analysis and deep transfer convolutional neural network［J］. IEEE access， 2020， 8： 150248-150261.

［14］" ZHENG Z， FU J M， LU C Q， et al. Research on rolling bearing fault diagnosis of small dataset based on a new optimal"" transfer"" learning"" network［J］."" Measurement， 2021， 177： 109285.

［15］" HE K M， ZHANG X Y， REN S Q. Deep residual learning for image recognition［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Las Vegas， USA， 2016： 770-778.

［16］" HU J， SHEN L， SUN G， et al. Squeeze-and-excitation networks［C］//Proceedings" of" the" IEEE" Conference" on Computer Vision and Pattern Recognition（CVPR）， Salt Lake City， USA， 2018： 7132-7141.

［17］" PAN S J， YANG Q. A survey on transfer learning［J］. IEEE transactions on knowledge and data engineering， 2010， 22（10）： 1345-1359.

［18］" LAPARO K A. Bearing vibration data set［EB/OL］. http：// www. eecs.cwru.edu/laboratory/bearing/download.htm.

FAULT DIAGNOSIS METHOD OF WIND TURBINES ROLLING

BEARING BASED ON IMPROVED RESNET AND TRANSFER LEARNING

Lei Chunli1，2，Xue Linlin1，Jiao Mengxuan1，Zhang Huqiang1，Shi Jiashuo1

（1. School of Mechanical and Electronical Engineering， Lanzhou University of Technology， Lanzhou 730050， China；

2. Key Laboratory of Digital Manufacturing Technology and Application， Ministry of Education， Lanzhou University of Technology，

Lanzhou 730050， China）

Keywords：wind turbines； rolling bearings； fault diagnosis； transfer learning； squeeze-and-excitation networks；small sample