王玉靜, 夏 林, 康守強, 謝金寶, 王慶巖

(1.哈爾濱理工大學(xué) 測控技術(shù)與通信工程學(xué)院,哈爾濱 150080; 2.海南師范大學(xué) 物理與電子工程學(xué)院,海口 571158)

滾動軸承在工業(yè)生產(chǎn)中應(yīng)用廣泛,對其進行故障診斷可預(yù)防重大事故發(fā)生[1]。滾動軸承規(guī)格和工況多變且工作環(huán)境惡劣難以拆卸,導(dǎo)致在工業(yè)生產(chǎn)中無法獲取足夠的帶標簽數(shù)據(jù)[2]。同時,不同規(guī)格和不同工況下滾動軸承數(shù)據(jù)存在差異,并且在實際應(yīng)用時,往往擁有多個相似的滾動軸承數(shù)據(jù)資源。因此,有效利用多個源域振動數(shù)據(jù)來實現(xiàn)不同規(guī)格和工況下滾動軸承的狀態(tài)識別具有重要的意義。

傳統(tǒng)故障診斷方法采用人工提取信號的特征,特征提取的情況會直接決定整個模型的診斷效果[3]。近年來深度學(xué)習(xí)應(yīng)用于故障診斷技術(shù)并顯示出其優(yōu)越性,通過自適應(yīng)提取特征,在某種程度上可以避免人工提取故障特征造成的操作誤差。文獻[4]提出首層多尺度卷積核的深度卷積神經(jīng)網(wǎng)絡(luò),利用不同大小的一維卷積核從軸承原始振動信號中提取多尺度特征,實現(xiàn)軸承健康狀態(tài)的智能診斷。文獻[5]將滾動軸承原始振動信號直接輸入到雙向長短期記憶網(wǎng)絡(luò)中,通過雙向長短期記憶網(wǎng)絡(luò)自動提取滾動軸承的故障特征并進行診斷。文獻[6]提出一種新的卷積深度置信網(wǎng)絡(luò)與壓縮感知法相結(jié)合的故障診斷模型,并取得較好的效果。文獻[7]提出一種基于深度學(xué)習(xí)的多信號故障診斷方法,并在感應(yīng)電機故障識別方面取得有效的診斷。

上述基于深度學(xué)習(xí)的方法需要大量的有標簽數(shù)據(jù)訓(xùn)練故障診斷模型,但由于滾動軸承工作條件復(fù)雜而無法獲取足夠有標簽數(shù)據(jù),因此基于深度學(xué)習(xí)的故障診斷方法存在局限性。

針對深度學(xué)習(xí)故障診斷方法存在的問題,遷移學(xué)習(xí)受到學(xué)術(shù)界的廣泛關(guān)注。文獻[8]構(gòu)建深度自動編碼器,利用目標域少量樣本微調(diào)目標域模型提高遷移分類效果,且在不同軸承上驗證其有效性。文獻[9]提出利用有標記數(shù)據(jù)的源域來訓(xùn)練改進的卷積神經(jīng)網(wǎng)絡(luò),將訓(xùn)練好的模型參數(shù)遷移至目標域網(wǎng)絡(luò)并微調(diào),在公共數(shù)據(jù)集上取得較好的分類效果。文獻[10]利用格拉姆角差場方法將一維原始振動信號轉(zhuǎn)化為二維圖譜輸入ResNet-34網(wǎng)絡(luò)中,通過模型遷移方法實現(xiàn)變速軸承的故障診斷。文獻[11]提出一種仿真數(shù)據(jù)驅(qū)動的改進無監(jiān)督域適應(yīng)軸承故障診斷新方法,使用兩組試驗臺數(shù)據(jù)作為目標域?qū)υ撨M行驗證,結(jié)果表明所提方法能提高無監(jiān)督跨域場景下的故障診斷精度。

上述方法的源域和目標域模型均使用同一種網(wǎng)絡(luò)模型,若使用相同網(wǎng)絡(luò)模型對不同分布數(shù)據(jù)提取特征,可能會漏掉相關(guān)特征信息。并且傳統(tǒng)參數(shù)傳遞方法直接固定源域淺層網(wǎng)絡(luò)遷移至目標域,容易遷移無用知識甚至負樣本,導(dǎo)致負遷移。

文獻[12]通過不同的自動編碼器網(wǎng)絡(luò)將源域與目標域特征映射到相同的空間,引入域中心距離評估不同域之間分布的相似性,經(jīng)支持向量機實現(xiàn)軸承故障診斷,具有較好的效果。文獻[13]將ResNet-20作為源域模型,ResNet-32作為目標域網(wǎng)絡(luò),通過元學(xué)習(xí)(meta learning,ML)傳遞模型參數(shù),并在多個數(shù)據(jù)集上取得了較好的效果。

上述遷移學(xué)習(xí)均為單個源域的遷移,忽略了多個不同相似數(shù)據(jù)集作為多源域時對目標域診斷的作用,并且在實際的工業(yè)生產(chǎn)中,往往擁有多個相似數(shù)據(jù)集的帶標簽數(shù)據(jù)。為了充分利用多個相似源域數(shù)據(jù)集資源以提高目標域診斷的準確率,多源域遷移法受到廣泛的關(guān)注。

文獻[14]提出一種基于多源域深度遷移學(xué)習(xí)的故障診斷方法,通過錨適配器的構(gòu)建,獲得多源域與目標域適配器數(shù)據(jù)對,再建立深度域適應(yīng)的遷移學(xué)習(xí)網(wǎng)絡(luò)模型獲得每個數(shù)據(jù)對的分類器和預(yù)測結(jié)構(gòu),并在一個滾動軸承數(shù)據(jù)集上取得良好的效果。文獻[15]提出一種多源域遷移學(xué)習(xí)網(wǎng)絡(luò)框架,通過將多個部分分布適應(yīng)子網(wǎng)絡(luò)和多源域診斷知識融合模塊相結(jié)合,達到遷移和聚合多源域診斷知識,在兩個數(shù)據(jù)集上獲得較好的效果。文獻[16]利用核最大均值差異構(gòu)造多個深度遷移學(xué)習(xí)網(wǎng)絡(luò),實現(xiàn)單個源域目標域自適應(yīng),再統(tǒng)一度量作為獎勵,提出一種強化學(xué)習(xí)方法,為多領(lǐng)域多模型提供了有效的集成策略,在多個數(shù)據(jù)集上驗證了方法的有效性。

針對不同規(guī)格和工況下滾動軸承故障診斷問題,現(xiàn)有方法大多建立在恒定規(guī)格或者不同規(guī)格但不涉及工況的條件下,并且在實際工業(yè)生產(chǎn)中,往往擁有多個相似的滾動軸承數(shù)據(jù)集資源,但傳統(tǒng)模型遷移學(xué)習(xí)只有一個源域,忽略多個相似源域數(shù)據(jù)集對目標域診斷的貢獻。因此,針對上述問題提出一種基于多源域異構(gòu)模型遷移的滾動軸承故障診斷法。該方法利用多個源域提供更多的有效信息,以更好地輔助目標域的診斷工作,并引入基于進化策略的與模型無關(guān)元學(xué)習(xí)(evolution strategies model agnostic meta learning,ES-MAML)實現(xiàn)參數(shù)傳遞策略的改進,提出將目標域網(wǎng)絡(luò)提取到的特征輸入極限學(xué)習(xí)機(extreme learning machine,ELM)中完成特征融合和分類,最終實現(xiàn)不同規(guī)格且不同工況下滾動軸承間故障診斷問題。

1 異構(gòu)模型遷移學(xué)習(xí)網(wǎng)絡(luò)

針對不同規(guī)格且不同工況下滾動軸承振動數(shù)據(jù)分布差異大的問題,采用不同的網(wǎng)絡(luò)模型分別提取源域和目標域的特征可以避免遺漏部分關(guān)鍵特征信息。采用異構(gòu)模型遷移學(xué)習(xí)實現(xiàn)不同規(guī)格且不同工況下滾動軸承的故障診斷,選取ResNet-34深度網(wǎng)絡(luò)作為源域模型,VGG-16深度網(wǎng)絡(luò)作為目標域模型。

1.1 ResNet-34卷積神經(jīng)網(wǎng)絡(luò)

為提取信號更深層次的特征,深度卷積網(wǎng)絡(luò)往往會增加網(wǎng)絡(luò)的層數(shù),即增加模型的深度。在模型深度增加的同時,神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)參數(shù)也會相應(yīng)增加,從而導(dǎo)致模型過于復(fù)雜,分類效果也受到相應(yīng)的影響。為解決上述問題,ResNet-34將目標函數(shù)與殘差梯度結(jié)合,可有效解決因模型深度而不易收斂的問題,提升模型的準確率。

假設(shè)殘差塊輸入為z,輸出為H(z),殘差指的是輸出值H(z)與輸入值z的差值,即

f(z)=H(z)-z

(1)

殘差網(wǎng)絡(luò)的學(xué)習(xí)對象為殘差f(z),在網(wǎng)絡(luò)訓(xùn)練過程中只需要學(xué)習(xí)殘差塊輸入輸出之間的差別,降低了網(wǎng)絡(luò)學(xué)習(xí)的難度。

1.2 VGG-16卷積神經(jīng)網(wǎng)絡(luò)

VGG-16是在AlexNet基礎(chǔ)上改進的深度卷積神經(jīng)網(wǎng)絡(luò),其專注構(gòu)建簡潔規(guī)整的結(jié)構(gòu)網(wǎng)絡(luò),訓(xùn)練簡單且高效。

VGG-16采用幾個連續(xù)的3×3小卷積核代替AlexNet中較大的卷積核(11×11,7×7,5×5),多個3×3卷積核組合可以使網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度減小,增加的網(wǎng)絡(luò)深度也會加深對樣本的學(xué)習(xí),有利于提高分類精度。

以3×3卷積核代替5×5卷積核為例,如圖1所示。

對于兩個3×3卷積核,所用的參數(shù)總量為2×(3×3)=18,對于5×5的卷積核所用的參數(shù)總量為5×5=25,因此,可以減少訓(xùn)練的參數(shù)。

2 基于元學(xué)習(xí)的參數(shù)傳遞方法改進

2.1 基于進化策略的與模型無關(guān)元學(xué)習(xí)

ML又稱學(xué)會學(xué)習(xí),是機器學(xué)習(xí)領(lǐng)域一個重要的研究方向,它解決的是學(xué)會如何學(xué)習(xí)的問題[17]。ML可以在數(shù)據(jù)與模型之間交互,不斷獲取新的信息,進行自我更新,適應(yīng)不斷變化的環(huán)境,在沒有人為干預(yù)影響的情況下,模型能自適應(yīng)數(shù)據(jù)變化并且不斷調(diào)整,學(xué)會如何處理遇到的新問題。

ES-MAML是一種基于進化策略結(jié)合與模型無關(guān)元學(xué)習(xí)(model agnostic meta learning,MAML)的新框架[18]?，F(xiàn)有的MAML是基于隨機策略梯度的,在隨機策略上使用反向傳播算法估計二階導(dǎo)數(shù)時,會遇到準確率不高,訓(xùn)練時間長的問題。因此將進化策略應(yīng)用到與模型無關(guān)元學(xué)習(xí)中,通過進化策略,避免了二階導(dǎo)數(shù)的估計問題,達到提高模型準確率,縮短模型訓(xùn)練時間的目的。

2.2 模型遷移參數(shù)傳遞策略的改進

在源域和目標域的網(wǎng)絡(luò)模型結(jié)構(gòu)完全不同的情況下,傳統(tǒng)的直接固定淺層網(wǎng)絡(luò)加微調(diào)深層網(wǎng)絡(luò)的參數(shù)傳遞方法直接失效,傳統(tǒng)參數(shù)傳遞方式如圖2所示。文獻[19]與文獻[20]分別采用知識蒸餾和雅可比矩陣進行參數(shù)傳遞,但是存在傳遞無用信息和梯度收斂困難的問題。因此,提出一種基于進化策略的與MAML的新型參數(shù)傳遞策略。該方法主要學(xué)習(xí)傳遞規(guī)則,自動考慮源域網(wǎng)絡(luò)模型與目標域網(wǎng)絡(luò)模型結(jié)構(gòu)的差異、源域與目標域任務(wù)的差異,無需手動調(diào)整參數(shù)傳遞配置,ML會自適應(yīng)匹配并產(chǎn)生對應(yīng)權(quán)重。

2.1.1 遷移知識的內(nèi)容

在異構(gòu)模型遷移過程中,并非所有來自源域的知識都可以輔助目標域進行診斷,盲目遷移可能會遷移無用知識甚至有害知識導(dǎo)致模型訓(xùn)練時間長甚至產(chǎn)生負遷移。因此,使用加權(quán)特征匹配損失確定遷移的內(nèi)容,根據(jù)在目標任務(wù)上的效果決定遷移什么,加權(quán)特征匹配損失定義為

(2)

由于要傳遞的重要通道可能會因輸入圖像不同而不同,因此將通道權(quán)重設(shè)為

(3)

式中,φ為元網(wǎng)絡(luò)的參數(shù)。

遷移知識的內(nèi)容操作圖如圖3所示。

圖3 遷移知識內(nèi)容示意圖Fig.3 Schematic diagram of knowledge content transform

由圖3可知,通過匹配源域第m層和目標域第n層的特征圖,得到特征匹配損失,進而指導(dǎo)源域第m層向目標域第n層遷移的知識內(nèi)容。

2.1.2 遷移知識的層級

(4)

式中,C為候選對,因此訓(xùn)練目標模型的最終損失為

Ltotal(θ│x,y,φ)=Lorg(θ│x,y)+βLwfm(θ│x,φ)

(5)

式中:Lorg為目標網(wǎng)絡(luò)的交叉熵損失;β為超參數(shù)且β>0。

遷移知識的層級操作如圖4所示。

圖4 遷移知識層級示意圖Fig.4 Schematic diagram of knowledge level transform

由圖4可知,首先通過源域第m層和目標域第n層進行匹配得出權(quán)重矩陣λm,n,再由參數(shù)λm,n指導(dǎo)源域哪一層遷移到目標域哪一層,其中源域網(wǎng)絡(luò)共l層,目標域網(wǎng)絡(luò)共j層。

3 多源域特征融合和分類方法

ELM是一種全連接網(wǎng)絡(luò),由輸入層、隱含層和輸出層組成。ELM分類器的結(jié)構(gòu)模型如圖5所示。

圖5 ELM分類器模型Fig.5 ELM classifier model

輸入層的輸入是經(jīng)過神經(jīng)網(wǎng)絡(luò)提取到的滾動軸承特征x,特征維數(shù)是P。隱藏層共有L個神經(jīng)元,第i個神經(jīng)元的輸入為

g(x,ωi,bi)=g(xωi+bi)

(6)

式中:g為激活函數(shù);ωi為第i個神經(jīng)元和所有輸入節(jié)點間的連接權(quán)重;bi為第i個神經(jīng)元的偏置。輸入層和隱藏層的連接實際上是P維空間特征映射到L維空間,若輸入一個特征向量x,其映射特征向量表示為

h(x)=[g(x,ω1,b1),g(x,ω2,b2),…,g(x,ωL,bL)

(7)

輸出層輸出為f(x),輸出節(jié)點的個數(shù)為3,表示3種不同診斷結(jié)果,每一個輸出節(jié)點對應(yīng)一種診斷結(jié)果,則第j個輸出節(jié)點的值表示為

(8)

式中,βi,j為第i個神經(jīng)元與第j個輸出節(jié)點之間的輸出權(quán)重。那么,輸入樣本x的輸出可表示為

f(x)=[f1(x),f2(x),f3(x)]=h(x)β

(9)

其中

基于上述ELM分類器,提出將多個目標域網(wǎng)絡(luò)提取的特征首尾相接輸入其中,此時,ELM中包含來自多個目標域網(wǎng)絡(luò)提取到的特征,通過融合這些特征信息實現(xiàn)多源域特征融合。

根據(jù)圖5的ELM分類器模型可知,ELM作為特征融合模型及分類器,其輸入為多個目標域網(wǎng)絡(luò)提取到的特征,特征輸入通過隱含層映射到不同維度的特征空間,以進一步提取特征,此處隱含層對特征信息的融合,即為多源域特征融合的核心,最后通過ELM模型輸出層得到最終的分類結(jié)果。

4 不同規(guī)格且不同工況下滾動軸承故障診斷方法

不同規(guī)格且不同工況下基于多源域異構(gòu)模型遷移方法的滾動軸承故障診斷過程如圖6所示。

圖6 基于多源域異構(gòu)模型遷移的滾動軸承故障診斷流程框圖Fig.6 Flow chart of rolling bearing fault diagnosis based on multi-source heterogeneous model transform

具體步驟如下所示。

步驟1數(shù)據(jù)選取及預(yù)處理。獲取已知某種規(guī)格和工況下滾動軸承的所有狀態(tài)振動信號作為源域一數(shù)據(jù)。另外一種規(guī)格和工況下滾動軸承的所有狀態(tài)振動信號作為源域二數(shù)據(jù)。將其他不同規(guī)格和工況下的少量已知標簽振動信號作為目標域數(shù)據(jù)。對多個源域與目標域數(shù)據(jù)作短時傅里葉變換構(gòu)造多狀態(tài)二維圖像數(shù)據(jù)集,作為多源域網(wǎng)絡(luò)和目標域網(wǎng)絡(luò)的輸入。

步驟2構(gòu)建多源域模型。利用多個相似源域數(shù)據(jù)迭代訓(xùn)練多個ResNet-34網(wǎng)絡(luò)構(gòu)建多源域預(yù)訓(xùn)練模型,通過整合多個相似源域數(shù)據(jù)集中的相關(guān)信息來輔助目標域的分類識別任務(wù),從而提升目標域的分類效果。

步驟3模型參數(shù)遷移及目標域網(wǎng)絡(luò)模型訓(xùn)練。多個源域分類模型導(dǎo)出,根據(jù)2.2節(jié)利用基于ES-MAML傳遞參數(shù)達到模型遷移的目的,通過ES-MAML自適應(yīng)決定遷移知識的層級及知識的內(nèi)容到目標域,具體遷移過程見圖3和圖4。將處理好的目標域數(shù)據(jù)輸入VGG-16網(wǎng)絡(luò),通過不斷交替更新目標網(wǎng)絡(luò)模型參數(shù)與元網(wǎng)絡(luò)參數(shù),建立參數(shù)遷移后的目標域網(wǎng)絡(luò)診斷模型。

步驟4特征融合及多狀態(tài)識別。根據(jù)第3章將多個目標域網(wǎng)絡(luò)模型提取到的特征輸入ELM,結(jié)合這些特征信息實現(xiàn)特征融合過程,并利用目標域少量帶標簽數(shù)據(jù)的特征信息對ELM進行微調(diào),通過ELM分類器輸出分類結(jié)果,最終建立最優(yōu)的滾動軸承故障診斷模型。

5 應(yīng)用與分析

5.1 試驗數(shù)據(jù)集

試驗所用的軸承數(shù)據(jù)采集自軸承試驗臺,試驗臺示意圖如圖7所示。試驗臺中的驅(qū)動端和風(fēng)扇端分別安裝有規(guī)格為SKF6205和SKF6203的深溝球滾動軸承,利用加速度傳感器采集振動信號,采樣頻率為12 kHz。試驗是在0,0.75 kW,1.50 kW,2.25 kW不同負載下,對不同規(guī)格滾動軸承振動信號進行采集,軸承的故障是由電火花機在軸承的內(nèi)圈(IR)、滾動體(B)、外圈(OR)加工產(chǎn)生的點蝕故障,每個故障位置的損傷直徑包括0.177 8 mm,0.355 6 mm,0.533 4 mm 3種,加上正常狀態(tài)一共可以分為10類。對于工作在正常狀態(tài)下,并未發(fā)生故障的滾動軸承振動信號,用N來表示。為了方便表述,對滾動軸承的故障位置和故障程度進行簡化表述,如表1所示。以1 024點為一個樣本的長度,每種工作狀態(tài)選取100個樣本數(shù)據(jù)。

表1 試驗數(shù)據(jù)表示方法Tab.1 Test data representation

圖7 軸承試驗臺示意圖Fig.7 Schematic diagram of the test stand

機械故障預(yù)防技術(shù)學(xué)會(mechanical failure prevention technology,MFPT)滾動軸承振動數(shù)據(jù),采樣頻率為48.828 kHz,轉(zhuǎn)速為25 r/s[21]。試驗采用內(nèi)圈故障、外圈故障及正常共3種狀態(tài)的振動數(shù)據(jù),每類狀態(tài)100個樣本。以1 024點為一個樣本的長度,每種工作狀態(tài)選取100個樣本數(shù)據(jù)。

為更方便地表示試驗中所用到的數(shù)據(jù),本文所使用的數(shù)據(jù)集與軸承規(guī)格、工作工況的對應(yīng)關(guān)系如表2所示。

表2 數(shù)據(jù)集與軸承規(guī)格、工況對應(yīng)關(guān)系Tab.2 Corresponding relationships between data set and bearing type and the load

根據(jù)本文所提出的滾動軸承故障診斷問題,試驗部分以兩個源域為例,共設(shè)置了12個遷移任務(wù),各任務(wù)所用數(shù)據(jù)集組成如表3所示。

表3 各任務(wù)所用數(shù)據(jù)集組成Tab.3 Data sets used for each task

以任務(wù)1為例,任務(wù)1表示源域一為SKF6205規(guī)格0工況,源域二為SKF6203規(guī)格1工況,目標域為MFPT規(guī)格3工況。源域一和源域二有10類狀態(tài),每類狀態(tài)有100個帶標簽樣本,目標域有3類狀態(tài),每類狀態(tài)有5個帶標簽樣本,其中各任務(wù)的訓(xùn)練集測試集比例為7∶3。

5.2 試驗與分析

5.2.1 異構(gòu)模型遷移與同構(gòu)模型遷移對比試驗

為了驗證當(dāng)源域與目標域數(shù)據(jù)分布存在差異的情況下,使用異構(gòu)模型遷移策略(源域模型為ResNet-34,目標域模型為VGG-16)與同構(gòu)模型遷移策略(源域與目標域模型都為ResNet-34或VGG-16)的分類效果。具體試驗結(jié)果如圖8所示。

圖8 同構(gòu)異構(gòu)對比結(jié)果Fig.8 Comparison results of homogenization and heterogeneous

由圖8可知,當(dāng)源域與目標域數(shù)據(jù)分布存在差異的情況下,異構(gòu)模型遷移的平均準確率為97.94%,同構(gòu)(ResNet-34)平均準確率為94.8%,同構(gòu)(VGG-16)平均準確率為93.3%。異構(gòu)模型遷移平均準確率要比同構(gòu)高3%和4%。尤其在任務(wù)1中,異構(gòu)比同構(gòu)(VGG-16)準確率高8.7%,在任務(wù)5中異構(gòu)比同構(gòu)(ResNet-34)準確率高6.8%。因此采用異構(gòu)模型遷移學(xué)習(xí)可以避免在數(shù)據(jù)分布差異大的情況下模型準確率低的問題。

利用t-分布鄰域嵌入算法直觀證明異構(gòu)模型遷移學(xué)習(xí)方法的有效性[22],將異構(gòu)模型遷移和同構(gòu)模型遷移的目標域網(wǎng)絡(luò)最后一層特征提取層的特征進行可視化,結(jié)果如圖11、圖12和圖13所示。

由圖9～圖11可知:采用同構(gòu)模型遷移方法所提取的特征,經(jīng)可視化后存在多處錯分現(xiàn)象,并且類別邊界不明顯,在圖9的L1～L6區(qū)域都存在錯分樣本,并且在L1區(qū)域內(nèi)出現(xiàn)了多類別的類間重疊現(xiàn)象,類別邊界十分模糊;圖10中的L1～L6區(qū)域同樣存在錯分樣本。采用異構(gòu)模型遷移方法提取的深層特征可視化后,類別邊界清晰,樣本混疊較少,錯分現(xiàn)象較少,僅在圖11的L1區(qū)域出現(xiàn)單個的離群樣本。故應(yīng)用所提方法可以很好地提取滾動軸承深層特征,有利于提高故障診斷模型的性能。

圖9 同構(gòu)(ResNet-34)特征可視化結(jié)果圖Fig.9 Result diagram of isomorphic (ResNet-34) feature visualization

圖10 同構(gòu)(VGG-16)特征可視化結(jié)果圖Fig.10 Result diagram of isomorphic (VGG-16) feature visualization

圖11 異構(gòu)模型遷移特征可視化結(jié)果圖Fig.11 Result diagram of feature visualization for heterogeneousmodel transfer

為進一步研究異構(gòu)模型遷移中,源域與目標域具體網(wǎng)絡(luò)的結(jié)構(gòu)對試驗結(jié)果的影響,設(shè)置兩組對比試驗。第一組源域網(wǎng)絡(luò)結(jié)構(gòu)ResNet-34,目標域網(wǎng)絡(luò)結(jié)構(gòu)VGG-16,第二組源域網(wǎng)絡(luò)結(jié)構(gòu)VGG-16,目標域網(wǎng)絡(luò)結(jié)構(gòu)ResNet-34。以任務(wù)1為例繪制準確率和損失值隨迭代次數(shù)變化圖,結(jié)果如圖12所示。

圖12 不同異構(gòu)網(wǎng)絡(luò)的準確率和損失值對比圖Fig.12 Comparison of accuracy and loss values of different heterogeneous networks

由圖12可知,第二組的準確率不隨迭代次數(shù)的增加而穩(wěn)定,最終未趨向于100%,損失值上下波動大,無法收斂。第一組的準確率隨著迭代次數(shù)的增加趨近100%,并且損失值穩(wěn)定降低直至收斂。故選取源域ResNet-34,目標域VGG-16作為網(wǎng)絡(luò)模型。究其原因:當(dāng)異構(gòu)模型遷移時,在選擇源域和目標域網(wǎng)絡(luò)時,源域網(wǎng)絡(luò)的層數(shù)和參數(shù)量需高于目標域網(wǎng)絡(luò)。因為在參數(shù)傳遞時,需要自適應(yīng)決定遷移知識的層級和內(nèi)容,該過程需要源域有足夠的網(wǎng)絡(luò)層數(shù)和參數(shù)量供目標域匹配。而第一組試驗中是34層參數(shù)多的ResNet網(wǎng)絡(luò)遷移至16層參數(shù)少的VGG網(wǎng)絡(luò),符合上述理論分析。

5.2.2 多源域單源域?qū)Ρ仍囼?/p>

對采用多源域遷移策略和單源域遷移策略進行對比試驗。為減少隨機初始化訓(xùn)練參數(shù)及試驗不確定性因素對所提方法診斷結(jié)果的影響,分類任務(wù)將準確率和損失值作為評價指標。

對比試驗數(shù)據(jù)集設(shè)置以遷移任務(wù)3為例,多源域試驗設(shè)置為:源域一SKF6205規(guī)格0工況;源域二MFPT規(guī)格2工況,目標域為SKF6203規(guī)格3工況。單源域試驗設(shè)置:源域為SKF6205規(guī)格0工況,目標域為SKF6203規(guī)格3工況。多源域試驗設(shè)置中,源域一每類狀態(tài)100個樣本,源域二每類狀態(tài)100個樣本;單源域試驗設(shè)置中,源域每類狀態(tài)200個訓(xùn)練樣本。源域目標域模型均為VGG-16,采用傳統(tǒng)固定加微調(diào)方式進行參數(shù)傳遞。多源域和單源域?qū)Ρ鹊脑囼灲Y(jié)果,如圖13所示。

圖13 多源域和單源域的準確率與損失值對比圖Fig.13 Comparison of the accuracy and loss value for multi-source domain and single source domain

由圖13可知,當(dāng)?shù)螖?shù)為50時多源域準確率為99.8%,單源域準確率為93.5%,此時多源域準確率比單源域高6.3%。并且在迭代過程中,除個別迭代次數(shù)時多源域和單源域準確率持平外,其余多源域的準確率都要比單源域高,而且損失函數(shù)也更穩(wěn)定。因此采用多源域遷移學(xué)習(xí)策略可以集合多個源域的知識,模型準確率明顯高于單源域遷移策略,并且模型穩(wěn)定性高于單源域遷移策略。

為更直觀地觀察多源域方法在故障診斷問題中的有效性,引入多分類混淆矩陣對診斷結(jié)果分析。篇幅所限,僅以任務(wù)3的故障診斷結(jié)果為例,繪制混淆矩陣如圖14和圖15所示。

圖14 單源域混淆矩陣Fig.14 Confusion matrix of single source domain

圖15 多源域混淆矩陣Fig.15 Confusion matrix of multi-source domain

由圖14和15中可知,多源域法在1 000個目標域測試集樣本中,僅有一個標簽出現(xiàn)3個樣本診斷錯誤,為IR14故障被誤判為B07故障。而單源域方法存在多處誤判。由此可知,本文所采用的多源域方法可以有效解決多個相似數(shù)據(jù)集利用不充分從而導(dǎo)致模型準確率不高的問題。

將機電一體化技術(shù)應(yīng)用到工程機械設(shè)備中，通過該技術(shù)的信息控制系統(tǒng)，可對機械的作業(yè)過程進行自動化控制，如此一來，極大地提高了作業(yè)的精準度。例如，將機電一體化技術(shù)應(yīng)用到瀝青的攤鋪機中，就可以實現(xiàn)自動找平、自動供料，不僅提高了施工的質(zhì)量，也提高了施工的效率?？梢哉f，通過機電一體化技術(shù)的應(yīng)用，基本上實現(xiàn)了工程機械的半自動化 操作，進一步降低了人工操作中出現(xiàn)的誤差現(xiàn)象，提高了施工作業(yè)的精準度，滿足了現(xiàn)代工程施工的要求[3]。

5.2.3 不同元學(xué)習(xí)算法對比試驗

為驗證引入基于進化策略的與模型無關(guān)元學(xué)習(xí)在自適應(yīng)參數(shù)傳遞過程中的效果,因此采取不同元學(xué)習(xí)進行參數(shù)傳遞試驗。以任務(wù)1為例,試驗結(jié)果如圖16所示。

圖16 不同元學(xué)習(xí)參數(shù)傳遞策略訓(xùn)練時間對比結(jié)果Fig.16 Comparison of the training time for different meta learning parameter transfer strategy models

對比圖16中的不同元學(xué)習(xí)參數(shù)傳遞策略可知,在迭代過程中,ES-MAML的模型訓(xùn)練時間一直比MAML短,并且當(dāng)?shù)螖?shù)達到50時,ES-MAML比相比MAML縮短了22.1 h。因此,引入ES-MAML可以縮短模型的訓(xùn)練時間。

5.2.4 所提方法在不同遷移任務(wù)上的驗證試驗

為驗證所提方法在不同遷移任務(wù)上的有效性,將多源域遷移學(xué)習(xí)和異構(gòu)模型遷移相結(jié)合,并且采用ES-MAML改進參數(shù)傳遞策略進行試驗驗證。數(shù)據(jù)集設(shè)置如表2和表3所示。試驗結(jié)果如表4所示。

表4 不同遷移任務(wù)的試驗結(jié)果Tab.4 Test results of different transfer tasks

由表4可知,本文所提方法的平均分類準確率達98.0%以上,充分說明所提方法可以實現(xiàn)不同規(guī)格且不同工況下滾動軸承的故障狀態(tài)識別。

5.2.5 與其他算法對比試驗

為驗證所提方法在不同規(guī)格且不同工況下滾動軸承遷移故障診斷問題上具有更好的效果,本文選擇文獻[10]、文獻[12]、文獻[13]、文獻[14]方法進行對比試驗。試驗過程中設(shè)置相同的源域及目標域數(shù)據(jù)集和相同的遷移任務(wù)。準確率對比結(jié)果如圖17所示。

圖17 所提方法與其他方法的試驗對比結(jié)果Fig.17 Test comparison results between the proposed method and other methods

由圖17可知,所提方法在12種不同遷移任務(wù)的試驗中,平均準確率可高達98.0%,且相對于傳統(tǒng)模型遷移學(xué)習(xí)分類、多源域遷移學(xué)習(xí)分類和其他異構(gòu)模型遷移方法,準確率提高約5%。因此,本文所提方法可有效實現(xiàn)少量帶標簽樣本下不同規(guī)格且不同工況滾動軸承的故障診斷。

6 結(jié) 論

(1)針對不同規(guī)格且不同工況下滾動軸承數(shù)據(jù)分布差異大的問題,提出利用異構(gòu)模型遷移學(xué)習(xí)分別提取源域和目標域的特征,避免了采用相同網(wǎng)絡(luò)會遺漏不同規(guī)格且不同工況下軸承相關(guān)特征信息。經(jīng)試驗驗證,異構(gòu)模型遷移的平均準確率比同構(gòu)模型遷移的平均準確率高4%,證明了異構(gòu)模型遷移的有效性。

(2)將ML與深度遷移學(xué)習(xí)結(jié)合,提出利用ES-MAML自適應(yīng)決定遷移的知識層級和知識內(nèi)容,避免了傳統(tǒng)固定加微調(diào)的參數(shù)傳遞方式可能會傳遞無用知識甚至有害知識,從而導(dǎo)致負遷移的問題。經(jīng)試驗驗證,改進后的參數(shù)傳遞方法比傳統(tǒng)的固定加微調(diào)參數(shù)傳遞方法平均準確率提高3%,證明改進參數(shù)傳遞方法的有效性。

(3)針對多個相似數(shù)據(jù)集資源利用不充分的問題,提出多源域異構(gòu)模型遷移學(xué)習(xí)框架,利用多個相似源域數(shù)據(jù)集輔助其他規(guī)格和工況下滾動軸承的故障診斷。提出將多個目標域網(wǎng)絡(luò)提取到的特征輸入ELM中來實現(xiàn)分類任務(wù)。經(jīng)試驗驗證,所提方法可以實現(xiàn)少量帶標簽樣本下不同規(guī)格和工況的滾動軸承故障診斷。且較所對比的參數(shù)遷移方法提升約5%,平均診斷準確率可達98.0%,證明所提方法的有效性。

此外,本文所提方法解決了不同規(guī)格且不同工況下滾動軸承間的故障診斷,呈現(xiàn)了滾動軸承遷移診斷的另一種思維方式。