肖剛 顧海瑞 董錦錦 王琪冰 陸佳煒

摘要：現(xiàn)有的電梯導軌故障診斷研究存在水平振動分類數(shù)據(jù)稀缺，訓練和測試數(shù)據(jù)集分布差異較大等問題。提出了一種仿真數(shù)據(jù)驅(qū)動的長期服役電梯導軌故障遷移診斷方法。首先構(gòu)建電梯轎廂的水平動力學模型，將不同類型的導軌故障激勵作為系統(tǒng)輸入進行仿真，獲得豐富的轎廂水平異常振動數(shù)據(jù)；然后融合殘差網(wǎng)絡(luò)和卷積注意力機制來提取故障特征，采用子領(lǐng)域自適應方法實現(xiàn)無監(jiān)督場景下源域與目標域條件分布的對齊；最后使用不同工況下的電梯水平振動數(shù)據(jù)作為目標域?qū)λ岱椒ㄟM行驗證。實驗結(jié)果表明，所提方法在無監(jiān)督跨域場景下具有較高的故障診斷精度，為解決長期服役電梯的故障數(shù)據(jù)稀缺問題提供了參考。

關(guān)鍵詞：仿真數(shù)據(jù)驅(qū)動；長期服役電梯；水平振動；子領(lǐng)域自適應；故障診斷

中圖分類號：TH17；TP391.9

DOI：10.3969/j.issn.1004132X.2024.01.012

Simulation Data-driven Migration Diagnosis Method for Guide Rail Faults

in Long-term Service Elevators

XIAO Gang GU Hairui DONG Jinjin WANG Qibing LU Jiawei

College of Mechanical and Electrical Engineering，China Jiliang University，Hangzhou，310018

Abstract： The existing researches of fault diagnosis of elevator guide rails has some problems， such as scarcity of horizontal vibration classification data and large difference in the distribution of training and test data sets. A simulation data-driven fault migration diagnosis method for long-term service elevator guide rails was proposed. Firstly， the horizontal dynamics model of the elevator car was constructed， different types of guide rail fault excitations as system input for simulation and rich horizontal abnormal vibration data of elevator car were obtained. Secondly， the residual network and convolutional attention mechanism were integrated to extract fault features， and the sub-domain adaptive method was used to align the conditional distribution of source domain and target domain in unsupervised scenarios. Finally， the elevator horizontal vibration data under different working conditions were used as the target domain to verify the proposed method. The experimental results show that the proposed method has high fault diagnosis accuracy in unsupervised cross-domain scenarios， which provides a reference for solving the problems of scarcity of fault data for long-term service elevators.

Key words： simulation data-driven； long-term service elevator； horizontal vibration； subdomain adaptation； fault diagnosis

0 引言

隨著我國電梯保有量和長期服役電梯（long-term service elevator， LSE）數(shù)量的不斷增加，LSE的故障問題日益凸顯，尤其是電梯異常振動問題最為顯著［1］。電梯異常振動對乘客乘運舒適性有很大影響，情況嚴重時將導致電梯運行事故。LSE受限于當時的制造、安裝工藝水平，其力學性能與新裝電梯相較有很大差距，且導靴與導軌長期暴露于潮濕、悶熱的環(huán)境中，隨著使用年限的延長，其物理特性會大幅下降，因此，研究LSE的異常振動故障診斷方法對保障乘客乘梯安全具有重要意義。

電梯運行過程中的振動響應分為水平振動響應和垂直振動響應，乘客對轎廂的水平振動響應表現(xiàn)更為敏感［2］。研究表明，電梯導向系統(tǒng)是造成轎廂水平振動的主要原因，且導軌激勵是直接影響因素［3］。在轎廂動力學建模方面，陳杰［4］將導靴簡化為彈簧阻尼系統(tǒng)，建立轎廂的二自由度水平振動模型，將導軌彎曲變形作為系統(tǒng)輸入進行仿真，得到的仿真結(jié)果與實測數(shù)據(jù)基本一致，且水平振動強度與電梯運行速度成正相關(guān)。ZHANG等［5］發(fā)現(xiàn)轎廂參數(shù)的變化主要影響電梯水平振動響應的分散程度，而導軌不平度主要影響振動響應的幅值。然而，現(xiàn)階段的研究主要關(guān)注高速電梯的水平振動，針對LSE的水平振動故障診斷問題缺乏深入的研究。

隨著物聯(lián)網(wǎng)及人工智能技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動的故障診斷方法逐漸成為主流。通過傳感器數(shù)據(jù)采集和預處理，并對大量標簽數(shù)據(jù)進行學習，研究人員建立了端到端的故障診斷模型［6］。但是這些智能診斷算法獲得較高準確率的前提是擁有足量標簽數(shù)據(jù)樣本，而現(xiàn)實中獲取大量含標簽的故障樣本費時費力。遷移學習為解決機械裝備診斷過程中訓練數(shù)據(jù)缺失的問題提供了新的思路。SHAO等［7］將振動信號轉(zhuǎn)化為小波時頻圖，利用預訓練微調(diào)網(wǎng)絡(luò)分別提取圖像的低級別和高級別特征，實現(xiàn)了數(shù)據(jù)稀缺情況下的高精度機器故障診斷。張龍等［8］融合多通道振動信號，采用深度遷移學習實現(xiàn)了旋轉(zhuǎn)機械的故障診斷。LI等［9］使用領(lǐng)域自適應方法對無標簽滾動軸承數(shù)據(jù)進行無監(jiān)督訓練，得到了魯棒性更好的故障診斷效果。

然而，現(xiàn)有的機械裝備故障遷移診斷方法通常需要采用充足的試驗臺數(shù)據(jù)構(gòu)建源域，而傳感器采集大都是設(shè)備正常運行狀態(tài)下的數(shù)據(jù)，在故障狀態(tài)下運行時間很短，導致故障分類數(shù)據(jù)非常稀缺。此外，電梯損傷實驗的成本高、周期長且安全性低，針對此問題，一些學者提出了用仿真數(shù)據(jù)構(gòu)建源域的方法。董紹江等［10］建立了滾動軸承的物理模型來獲取仿真數(shù)據(jù)，采用條件最大均值差異進行源域和目標域的自適應處理，解決了仿真與實際故障數(shù)據(jù)特征分布不一致的問題。XIAO等［11］設(shè)計了一種嵌入聯(lián)合最大均值差異的改進損失函數(shù)，提出了源域樣本權(quán)值分配機制，實現(xiàn)了無監(jiān)督場景下仿真數(shù)據(jù)驅(qū)動的域自適應滾動軸承故障診斷。

綜上，針對由導軌故障導致的LSE水平振動故障分類數(shù)據(jù)稀缺，訓練和測試數(shù)據(jù)集分布差異大等問題，本文提出了一種仿真數(shù)據(jù)驅(qū)動的LSE導軌故障遷移診斷方法，該方法不同于現(xiàn)有實驗數(shù)據(jù)間的遷移診斷研究，通過建立轎廂的物理仿真模型獲取豐富的故障數(shù)據(jù)構(gòu)建源域，以降低對損傷試驗方法的依賴；采用遷移預訓練方法加快模型訓練速度，降低過擬合風險，結(jié)合殘差網(wǎng)絡(luò)和卷積注意力機制增強對轎廂振動小波時頻圖的特征提取能力；利用局部最大均值差異進行源域與目標域中子領(lǐng)域的條件分布對齊，實現(xiàn)了無監(jiān)督場景下LSE導軌故障的準確分類。

1 轎廂動力學仿真建模

1.1 轎廂水平振動建模

電梯轎廂的水平振動方向分為左右和前后兩個方向，這兩個方向的振動模型基本一致［4］，本文只考慮轎廂左右方向的振動。電梯水平動力學模型中包括轎廂、導軌和導靴三個部件。電梯是復雜的機電一體化設(shè)備，為了便于分析和計算，對電梯轎廂輔助零部件進行簡化：①將轎廂和轎廂架視為一個整體；②忽略導靴的質(zhì)量，將導靴簡化為彈簧阻尼系統(tǒng)，且每個導靴的等效剛度和等效阻尼均相同。根據(jù)機械動力學理論，建立電梯轎廂二自由度水平振動模型，如圖1所示。

轎廂存在沿x軸方向的平動與繞轎廂y軸轉(zhuǎn)動兩個自由度。其中，x為轎廂水平振動位移；θ為轎廂繞質(zhì)心的角位移；xa、xb、xc、xd為導軌對4個導靴的位移激勵；v為電梯運行速度；m為轎廂質(zhì)量；k為導靴的等效剛度；c為導靴的等效阻尼；la為導靴a和c到轎廂質(zhì)心的垂直距離；lb為導靴b和d到轎廂質(zhì)心的垂直距離。4個導靴的水平位移分別為

4組彈性阻尼元件的形變量分別為

根據(jù)達朗貝爾原理和彈性、阻尼元件動力學特性，建立電梯轎廂水平振動微分方程如下：

式中，J為轎廂的轉(zhuǎn)動慣量。

系統(tǒng)動力學微分方程的通用形式為

整理式（3）和式（4）可得

1.2 導軌故障激勵

電梯導向系統(tǒng)的核心部件為導軌和導靴，其主要作用是確保轎廂和對重沿著導軌垂直方向運動，以保障電梯的安全性和穩(wěn)定性。導軌本身的安裝缺陷和老化，如導軌對中誤差、垂直度誤差、支架松動、表面粗糙不平等問題，均會引起轎廂運行過程中的水平振動。參照文獻［12］，將導軌故障簡化為3種故障激勵：失調(diào)激勵、彎曲激勵和階躍激勵，如表1所示。

2 無監(jiān)督子領(lǐng)域自適應電梯導軌故障遷移診斷模型

遷移學習是利用已有知識對相關(guān)領(lǐng)域問題進行求解的一種機器學習方法，目的是遷移已有的知識來解決目標領(lǐng)域中僅有少量甚至沒有標簽數(shù)據(jù)樣本的問題。不同領(lǐng)域之間的相似性對遷移學習的性能影響至關(guān)重要，數(shù)據(jù)集之間越相似，模型遷移的效果越好。在仿真數(shù)據(jù)驅(qū)動的電梯故障診斷中，源域（source domain）Ds為仿真數(shù)據(jù)，服從分布Ps（x，y）：

Ds={（xsi，ysi）}Nsi=1

式中，xsi為仿真數(shù)據(jù)樣本；ysi為仿真樣本對應的健康狀態(tài)標簽；Ns為源域樣本數(shù)據(jù)量。

目標域（target domain）Dt為實測數(shù)據(jù)，服從分布Pt（x，y）：

Dt={（xtj）}Ntj=1

式中，xtj為傳感器采集的無標簽數(shù)據(jù)樣本；Nt為目標域樣本數(shù)據(jù)量。

考慮到電梯轎廂水平振動的仿真與實測數(shù)據(jù)分布存在差異，時頻圖故障特征分布集中，傳統(tǒng)深度學習模型泛化能力差等問題，本文結(jié)合殘差網(wǎng)絡(luò)與注意力機制的特點，提出無監(jiān)督子領(lǐng)域自適應電梯導軌故障遷移診斷算法（TL-RSCA），模型結(jié)構(gòu)如圖2所示，包括預訓練模型、特征提取層和子領(lǐng)域自適應層三個部分。

首先進行數(shù)據(jù)預處理：將電梯動力學仿真和傳感器采集的一維時域信號轉(zhuǎn)為二維圖像再輸入到網(wǎng)絡(luò)中進行特征提取，使用滑動窗口對數(shù)據(jù)進行分割。選擇連續(xù)小波變換（CWT）將一維振動信號轉(zhuǎn)換成小波時頻圖并按比例劃分為訓練集和測試集。

2.1 融合深度殘差網(wǎng)絡(luò)和卷積注意力機制的特征提取網(wǎng)絡(luò)

與傳統(tǒng)遷移學習相比，深度遷移學習可以提高網(wǎng)絡(luò)在不同任務上的學習效果。但是隨著網(wǎng)絡(luò)層數(shù)的增加，深度卷積神經(jīng)網(wǎng)絡(luò)中會出現(xiàn)梯度消失和梯度爆炸。針對此問題，本文選擇深度殘差網(wǎng)絡(luò)（residual neural network， ResNet）進行特征提?。?3］，其基礎(chǔ)架構(gòu)為殘差塊，如圖3所示。殘差塊通過添加跨層連接捕捉輸入和輸出之間的殘差來抑制網(wǎng)絡(luò)層數(shù)加深時的性能退化，圖3b中降采樣層的作用是保證輸出和輸入的特征圖尺寸和通道數(shù)保持一致。

為了使算法關(guān)注圖像中的低頻振動特征，在每個殘差層的輸出位置加入卷積注意力模塊（convolutional block attention module， CBAM）［14］，包括通道注意力（CAM）和空間注意力（SAM）兩個部分。其中CAM捕捉特征圖各通道之間的聯(lián)系，SAM捕捉特征圖空間區(qū)域之間的聯(lián)系。

輸入特征圖X的同時通過最大池化和平均池化得到兩個1×1×C的特征圖，接著經(jīng)過共享參數(shù)的多層感知機（MLP），MLP的輸出相加后經(jīng)過Sigmoid激活生成最終的通道注意力權(quán)值，其計算公式如下：

SAM的輸入為CAM的輸出，輸入特征先后經(jīng)過最大池化和平均池化并進行通道拼接，然后輸入到一個7×7的卷積后變成一個一維向量，經(jīng)過Sigmoid激活后得到最終的空間注意力權(quán)值，其計算公式如下：

式中，MS（X）表示空間注意力模塊；Fcov表示卷積運算；X″為空間注意力的輸出特征向量。

為了提高模型的訓練速度并增強遷移效果，算法先采用預處理后的滾動軸承數(shù)據(jù)集進行模型預訓練，其特征提取網(wǎng)絡(luò)為融合CBAM的ResNet-18。隨機初始化模型的權(quán)重及偏差，在得到最高的分類準確率時保存網(wǎng)絡(luò)權(quán)重參數(shù)。然后進行模型遷移與微調(diào)，加載預訓練模型網(wǎng)絡(luò)權(quán)重用于轎廂振動數(shù)據(jù)集的診斷，凍結(jié)特征提取網(wǎng)絡(luò)中前2個殘差塊的權(quán)重參數(shù)以提取圖像淺層特征，微調(diào)后對2個殘差塊參數(shù)提取圖像深層特征，從而避免因數(shù)據(jù)樣本不足而導致的模型訓練過擬合。

2.2 局部最大均值差異

領(lǐng)域自適應是遷移學習中常用的方法，它將兩個不同領(lǐng)域的數(shù)據(jù)映射到同一個特征空間，使其在該特征空間上進行源域和目標域的對齊，提高算法在目標域上的準確率。最大均值差異（maximum mean discrepancy， MMD）是領(lǐng)域自適應中使用最廣泛的分布距離度量方法之一，它是求兩個概率分布映射到另一個空間中的數(shù)據(jù)均值之差。但是，傳統(tǒng)域自適應方法僅考慮了對齊全局源域和目標域的分布，導致兩個域中子類別的數(shù)據(jù)過于接近，無法實現(xiàn)準確分類。針對該問題，本文引入局部最大均值差異（LMMD）［15］，考慮電梯導軌故障類別的條件分布差異，實現(xiàn)不同子領(lǐng)域的分布對齊，如圖4所示。

在經(jīng)過特征提取層后進行源域與目標域間子領(lǐng)域自適應學習，實現(xiàn)目標域中電梯轎廂振動數(shù)據(jù)無監(jiān)督學習和數(shù)據(jù)分布在高維空間上的對齊，將訓練網(wǎng)絡(luò)輸出作為目標域的偽標簽計算局部最大均值差異損失，最后經(jīng)過全連接層輸出導軌故障分類結(jié)果。

電梯導軌故障遷移診斷算法中需要優(yōu)化的損失函數(shù)為

損失函數(shù)中的子領(lǐng)域自適應公式為

式中，下標H表示再生核希爾伯特空間；C為故障樣本標簽類別數(shù)；φ為特征映射函數(shù)；ωsci、ωtcj分別為xsi和xtj屬于第c類的權(quán)重；yic為輸入向量yi第c類的標簽;D為樣本標簽集合。

對于源域中的樣本，使用真實標簽ysi計算每個樣本的權(quán)重ωsci。對于目標域的無標簽樣本，深度神經(jīng)網(wǎng)絡(luò)y＾i=f（xi）的輸出是一個概率分布，它表示將xi識別為c類的概率大小，因此采用預

最后，給定具有ns個含標簽的源域Ds和nt個不含標簽的目標域Dt，深度神經(jīng)網(wǎng)絡(luò)將會在第l層中產(chǎn)生{zsli}nsi=1和{ztlj}ntj=1的激活。因此，子領(lǐng)域自適應函數(shù)為

式中，zl為第l層（l={1，2，…，L）的激活;L為自適應層數(shù)；K（·，·）為高斯核函數(shù)。

3 實驗與結(jié)果分析

3.1 轎廂水平振動仿真

根據(jù)轎廂動力學微分方程建立Simulink仿真模型，分析每種導軌激勵下的轎廂水平振動響應。導靴所受位移激勵xa與xb在同一側(cè)，故其所受激勵信號一致且相差一個相位。由于導靴的材料屬性與工況條件相同，故認為導靴的剛度k和阻尼c均一致。電梯運行速度對轎廂水平振動有很大的影響，LSE的運行速度通常為1.50，1.75，2.00 m/s?，F(xiàn)將以上三種速度下的轎廂水平振動作為工況1、工況2和工況3來分析。單根導軌長為5 m，以電梯經(jīng)過8根導軌的時間作為仿真時長。考慮LSE的導軌老化磨損情況，取δsmax=10 mm，δwmax=15 mm，δjmax=0.3 mm。某型號電梯的動力學參數(shù)如表2所示，仿真模型動力學參數(shù)與實際運行的電梯保持一致。工況3下導軌正常、失調(diào)、彎曲、階躍四種類型的轎廂水平振動加速度信號的仿真和實測時域波形對比如圖5所示。

3.2 仿真數(shù)據(jù)分析

3.2.1 時頻域?qū)Ρ?/p>

轎廂水平振動包含了頻率隨時間變化的信號成分， 連續(xù)小波變換在故障診斷中較為常用，比短時傅里葉變換識別二維圖像的方法有一定優(yōu)勢［16］。首先對一維信號進行均值‘0-1歸一化處理；選擇小波基函數(shù)為cmor3-3，由于電梯水平振動的頻率主要集中在低頻段［17］，故將時頻圖的頻率范圍設(shè)置在0～25 Hz；最后設(shè)置小波時頻圖的輸出尺寸為224×224×3。

電梯實際運行過程中，傳感器采集的轎廂加速度信號包括許多環(huán)境中的噪聲，為了更好地模擬不同導軌激勵下的實際轎廂水平振動情況，對仿真激勵信號添加高斯白噪聲，并對實際振動信號進行卡爾曼濾波。圖6為隨機選取工況3中導軌失調(diào)故障下轎廂振動的小波時頻圖，對比圖6a和圖6b可知，導軌失調(diào)故障下轎廂水平振動的頻率幅值均集中在4～5 Hz左右；不同之處在于仿真信號中的振動頻率成分更為集中，能量密度也較高。因此，仿真信號包含了實際故障中的關(guān)鍵特征，表明了物理仿真模型的有效性，仿真與實際信號間具有通用的可遷移故障知識。

3.2.2 頻域?qū)Ρ?/p>

包絡(luò)譜分析是機械故障診斷領(lǐng)域常用的方法，圖7所示為隨機選取工況3中導軌失調(diào)故障下仿真信號與實際信號的包絡(luò)譜圖對比。由圖7可知，轎廂水平振動的頻率主要集中在低頻段，仿真信號與實際信號低頻段峰值頻率的頻率分量基本一致，證明了物理仿真模型的有效性。

3.2.3 概率分布對比

由于受設(shè)備本身安裝誤差、載荷分布及噪聲等不確定性因素的影響，仿真與實際數(shù)據(jù)特征分布之間存在差異。隨機選取工況3下導軌正常狀態(tài)的仿真信號和實際信號作概率分布統(tǒng)計，結(jié)果如圖8所示。

由圖8可知，仿真信號與實際信號的概率分布大致相同，但也存在一定的差異性。由于仿真信號考慮的隨機因素較少，故其概率分布較為集中，概率密度峰值較高，表明了采用遷移學習進行仿真數(shù)據(jù)驅(qū)動故障診斷的必要性。

3.3 故障遷移診斷數(shù)據(jù)集說明

本文的數(shù)據(jù)集分為預訓練（A）、源域（B）和目標域（C），如表3所示。其中，預訓練數(shù)據(jù)集A為凱斯西儲大學（CWRU）軸承驅(qū)動端故障數(shù)據(jù)集，軸承型號為SKF 6205-2RS，傳感器采樣頻率為12 kHz，將其分為正常、外圈故障、內(nèi)圈故障、滾動體故障四種類型。在源域和目標域中，仿真數(shù)據(jù)和實測數(shù)據(jù)的采樣頻率均為50 Hz，從仿真信號與實測信號中選取250個數(shù)據(jù)點為一個樣本，采用滑動窗口的形式對仿真數(shù)據(jù)和實測數(shù)據(jù)進行分割，兩段樣本相距125個數(shù)據(jù)點，即重疊率為50%，直到分割結(jié)束。

目標域中實測數(shù)據(jù)集來自某公司的電梯物聯(lián)網(wǎng)平臺，電梯的振動數(shù)據(jù)采用三軸加速度傳感器測量，傳感器放置于轎廂頂部中心位置。選取系統(tǒng)中服役年限超過10年的LSE，對轎廂水平異常振動數(shù)據(jù)進行篩選后，共整理出每種工況下有效數(shù)據(jù)600條。將所有數(shù)據(jù)按8∶2的比例劃分為訓練集和測試集。

3.4 遷移診斷模型性能分析

3.4.1 實驗參數(shù)與對比模型

實驗使用的環(huán)境配置為：64位Windows10操作系統(tǒng)，運行內(nèi)存為32G，CPU為Intel Corei7-12700K@3.60GHz，GPU為Nvidia GeForce RTX 3080，程序運行環(huán)境為Python3.9，深度學習框架為Pytorch1.0。

算法的訓練參數(shù)設(shè)置如下：迭代次數(shù)設(shè)置為100，批樣本個數(shù)為32，特征提取層選擇交叉熵損失函數(shù)，學習率為0.001，采用ADAM梯度優(yōu)化方法，L2正則化系數(shù)取5×e-4，自適應層數(shù)L=1，自適應層學習率為特征提取層的10倍，學習率調(diào)整公式為ηp=η0/（1+αp）β，p服從0～1線性變化的訓練進度，η0=0.01，α=10，β=0.75。為了抑制訓練開始時的噪聲激活，動態(tài)地改變權(quán)衡參數(shù)λ，使其滿足λ=2/（1+e-10m/M）-1，其中，m表示當前迭代次數(shù)，M表示總迭代次數(shù)。

本文的遷移學習任務共包括3個全局域，分別對應三種工況下轎廂水平振動情況。每個全局域有4類子領(lǐng)域，對應導軌正常和導軌失調(diào)、彎曲、階躍3種故障類型。將本文改進算法與其他算法進行對比分析，為保證對比結(jié)果的有效性，所有遷移學習的特征提取網(wǎng)絡(luò)都采用ResNet-18。源域與目標域共享相同的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，本文所提模型的結(jié)構(gòu)參數(shù)如表4所示。

3.4.2 不同模型診斷結(jié)果分析

為論證故障遷移診斷的必要性，本文比較了6種方法的診斷精度。方法1使用源域數(shù)據(jù)訓練ResNet，不采用遷移學習，直接在目標域測試集上輸出診斷結(jié)果；然后，為體現(xiàn)子領(lǐng)域自適應遷移診斷模型的優(yōu)越性，與其他經(jīng)典遷移學習方法進行對比。方法2為多表示適應網(wǎng)絡(luò)（MRAN）［18］，其領(lǐng)域自適應函數(shù)為CMMD。方法3為深度子領(lǐng)域自適應算法（DSAN），其領(lǐng)域自適應函數(shù)替換為LMMD。方法4為深度動態(tài)分布自適應網(wǎng)絡(luò)（DDAN）［19］，在特征層嵌入了動態(tài)適配單元。方法5為深度動態(tài)對抗適配網(wǎng)絡(luò)（DAAN）［20］，通過自適應因子動態(tài)地衡量遷移過程中的邊緣分布和條件分布。方法6為本文所提方法（TL-RSCA），與方法3進行消融實驗對比。不同模型的診斷精度如表5所示，圖9為不同模型診斷結(jié)果的柱狀圖。

由圖9、表5可知，6種方法的準確率從工況1到工況3逐步增大，這是因為隨著電梯運行速度增大，轎廂水平振動幅值增大，小波時頻圖特征更加明顯，隨機干擾對算法準確率的影響降低。方法1在不同工況下的平均診斷準確率僅71.24%，明顯低于其他5種方法的診斷精度，原因是仿真數(shù)據(jù)和實測數(shù)據(jù)在數(shù)據(jù)分布上存在差異，只采用仿真數(shù)據(jù)訓練的網(wǎng)絡(luò)無法直接用于實際故障數(shù)據(jù)的診斷，表明了遷移診斷的必要性。

方法3的診斷平均準確率為84.79%，高于其他遷移學習模型MRAN、DDAN和DAAN的診斷準確率，可以得出結(jié)論：LMMD可對齊源域與目標域中的不同子類，故障的遷移效果更好，模型泛化能力和魯棒性更強。方法3和方法6的對比驗證了在殘差塊中加入CBAM的有效性，CBAM使網(wǎng)絡(luò)更關(guān)注小波時頻圖中低頻振動明顯的特征，降低了對圖像中噪聲的關(guān)注度。

選取算法最優(yōu)診斷精度，即工況3下的診斷結(jié)果進行分析。圖10為6種方法在目標域測試集上的混淆矩陣對比結(jié)果圖。在混淆矩陣中，導軌正常、失調(diào)故障、彎曲故障和階躍故障對應的標簽依次為0，1，2，3。

由圖10可知，不同方法對導軌彎曲故障的診斷精度均最高，原因是導軌彎曲故障的小波時頻圖相較于其他3類特征更加明顯；而導軌正常和導軌失調(diào)故障的小波時頻圖特征比較相近，導致算法對這兩類故障的診斷準確率較低。方法6對每一子類故障的分類錯誤更少，表明本文所提方法具有最優(yōu)的診斷性能。

為了更好地體現(xiàn)本文所提方法的特征適配性能，針對源域和目標域的測試集，采用t-SNE算法將不同模型降維后的特征樣本進行可視化，如圖11所示。其中源域的導軌正常、失調(diào)故障、彎曲故障和階躍故障對應的標簽依次為S0，S1，S2， S3，目標域標簽相應為T0，T1，T2，T3。

由對比結(jié)果可得，本文所提方法具有較好的聚類效果，類內(nèi)聚集較緊密，類間分布較遠。說明相較于采用全局域?qū)R，LMMD在考慮條件分布差異下的子領(lǐng)域?qū)R效果更好。但是，從模型的分類結(jié)果看，源域和目標域仍然存在少量樣本分類錯誤，主要原因是實測數(shù)據(jù)包含許多不確定性因素導致小波時頻圖的特征差異不明顯，影響最后的分類結(jié)果。

3.5 預訓練模型效果分析

為了驗證采用預訓練模型帶來的性能提升，將所提方法（M1）與未使用預訓練模型的方法（M2）進行對比，將M2的特征提取網(wǎng)絡(luò)參數(shù)進行隨機初始化，其余參數(shù)設(shè)置與上述實驗均相同。圖12為工況3下模型的準確率對比曲線，兩種方法診斷精度和訓練時間的對比結(jié)果如表6所示。

由圖12、表6可知，M1初始迭代時的準確率更高，模型訓練的收斂速度更快，且M1在保證算法高準確率的情況下訓練時間更短，主要原因是滾動軸承數(shù)據(jù)集樣本規(guī)模更大，在大數(shù)據(jù)集上訓練得到的模型抗過擬合能力更強，提高了下游遷移任務的診斷精度下限。

3.6 不同數(shù)據(jù)增強方法對比

針對LSE故障診斷中數(shù)據(jù)稀缺問題，為說明仿真數(shù)據(jù)驅(qū)動的數(shù)據(jù)增強方法在小樣本學習中的優(yōu)越性，將其與另外2種常用的數(shù)據(jù)增強方法作比較。方法1通過對小波時頻圖進行旋轉(zhuǎn)、拉伸縮放、隨機裁剪和添加高斯白噪聲等操作進行數(shù)據(jù)增強。方法2利用深度卷積生成對抗網(wǎng)絡(luò)（DCGAN）對轎廂實測數(shù)據(jù)集的小波時頻圖進行數(shù)據(jù)增強［21］。方法3為本文所提方法，即采用仿真數(shù)據(jù)作為源域，實測數(shù)據(jù)作為目標域進行遷移學習。為保證對比實驗的公平性，每種方法的數(shù)據(jù)集樣本數(shù)量相同，且均采用預訓練模型。由于方法1和方法2不涉及數(shù)據(jù)特征分布變化，故不使用領(lǐng)域自適應操作，在特征提取后分別經(jīng)過全連接層輸出診斷結(jié)果。從轎廂實測數(shù)據(jù)集中隨機抽取不同類別數(shù)據(jù)樣本共80條，采用不同方法對其進行數(shù)據(jù)增強分別得到有效數(shù)據(jù)240條，按比例劃分為訓練集和測試集。表7所示為不同方法在三種工況下的故障診斷精度對比。

由表7可知，由于總樣本數(shù)量有限，3種方法在小樣本數(shù)據(jù)集上的診斷精度有所下降，但是方法3的平均準確率為83.11%，明顯高于另外2種方法的診斷準確率。主要原因是方法1和方法2都是在原有數(shù)據(jù)集上進行數(shù)據(jù)增強，樣本之間的特征相似度較高，導致數(shù)據(jù)樣本的質(zhì)量較差，模型訓練時容易出現(xiàn)過擬合現(xiàn)象；方法3由故障失效機理產(chǎn)生的仿真數(shù)據(jù)進行增強，數(shù)據(jù)集中的樣本特征更豐富，訓練得到的模型泛化能力更強。因此，基于模型仿真數(shù)據(jù)驅(qū)動的數(shù)據(jù)增強方法在小樣本學習下可以實現(xiàn)更有效的故障診斷。

4 結(jié)論

本文提出了一種仿真數(shù)據(jù)驅(qū)動的長期服役電梯（LSE）導軌故障遷移診斷方法，旨在解決導軌故障導致的LSE水平振動故障分類數(shù)據(jù)稀缺等問題，獲得以下結(jié)論：

（1）在遷移學習方法中，采用仿真數(shù)據(jù)作為源域數(shù)據(jù)集訓練智能診斷網(wǎng)絡(luò)用于機械裝備的故障診斷問題完全可行，可以減少對實際故障數(shù)據(jù)的依賴，仿真數(shù)據(jù)增強方法在小樣本故障診斷下更有優(yōu)勢。

（2）采用預訓練模型提高了故障診斷算法的收斂速度，通用特征提取層結(jié)合殘差網(wǎng)絡(luò)和卷積注意力模塊的優(yōu)點，增強了算法的特征提取能力。采用局部最大均值差異進行源域與目標域子領(lǐng)域?qū)R，實現(xiàn)了更好的遷移效果。

（3）在不同工況下的轎廂水平振動數(shù)據(jù)集上進行實驗驗證，結(jié)果表明所提方法具有一定的優(yōu)越性，為解決長期服役電梯因缺少大量故障運行數(shù)據(jù)而無法構(gòu)建有效智能診斷模型問題提供了參考，對保障長期服役電梯的安全運行具有重要意義。

參考文獻：

［1］ FENG Shuangchang， CHEN Jie， CHANG Xiaoqing. Analysis of the Hidden Danger for Old Elevator Safety［C］∥2020 3rd International Conference on Electron Device and Mechanical Engineering（ICEDME）. Suzhou， 2020：605-608.

［2］ 宋丹龍， 白洋洋， 張向陽， 等. 電梯滾動導靴橫向隔振性能分析與優(yōu)化［J］. 機械設(shè)計， 2021， 38（1）：34-41.

SONG Danlong， BAI Yangyang， ZHANG Xiangyang， et al. Analysis and Optimization of Horizontal Vibration Isolation Performance of the Elevators Rolling Guide Shoe［J］. Journal of Machine Design， 2021， 38（1）：34-41.

［3］ 梅德慶， 杜小強， 陳子辰. 基于滾動導靴-導軌接觸模型的高速曳引電梯振動分析［J］. 機械工程學報， 2009， 45（5）：264-270.

MEI Deqing， DU Xiaoqiang， CHEN Zichen. VibrationAnalysis of High-speed Traction Elevator Based on Guide Roller-rail Contact Model［J］. Chinese Journal of Mechanical Engineering， 2009， 45（5）：264-270.

［4］ 陳杰. 高速電梯水平振動性能分析與導向系統(tǒng)設(shè)計優(yōu)化及其應用研究［D］. 杭州：浙江大學， 2016.

CHEN Jie. Performance Analysis of Horizontal Vibration in High-speed Elevator and Design Optimization of Guidance System and Its Application［D］. Hangzhou：Zhejiang University， 2016.

［5］ ZHANG Ruijun， WANG Chen， ZHANG Qing. Response Analysis of the Composite Random Vibration of a High-speed Elevator Considering the Nonlinearity of Guide Shoe［J］. Journal of the Brazilian Society of Mechanical Sciences and Engineering， 2018， 40：1-10.

［6］ LEI Yaguo， YANG Bin， JIANG Xinwei， et al. Applications of Machine Learning to Machine Fault Diagnosis：a Review and Roadmap［J］. Mechanical Systems and Signal Processing， 2020， 138：106587.

［7］ SHAO S Y， MCALEER S， YAN R Q， et al. Highly Accurate Machine Fault Diagnosis Using Deep Transfer Learning［J］. IEEE Transactions on Industrial Informatics， 2018， 15（4）：2446-2455.

［8］ 張龍， 胡燕青， 趙麗娟， 等. 多通道信息融合與深度遷移學習的旋轉(zhuǎn)機械故障診斷［J］. 中國機械工程，2023，34（8）：966-975.

ZHANG Long，HUYanqing， ZHAO Lijuan， et al. Multi-channels Information Fusion and Deep Transfer Learning for Rotating Machinery Fault Diagnosis［J］. China Mechanical Engineering，2023，34（8）：966-975.

［9］ LI Xingqiu， JIANG Hongkai， WANG Ruixin， et al. Rolling Bearing Fault Diagnosis Using Optimal Ensemble Deep Transfer Network［J］. Knowledge-based Systems， 2021， 213：106695.

［10］ 董紹江， 朱朋， 朱孫科， 等. 基于仿真數(shù)據(jù)驅(qū)動和領(lǐng)域自適應的滾動軸承故障診斷方法［J］. 中國機械工程， 2023， 34（6）：694-702.

DONG Shaojiang， ZHU Peng， ZHU Sunke， et al. Fault Diagnosis Method of Rolling Bearing Based on Simulation Data Drive and Domain Adaptation［J］. China Mechanical Engineering， 2023， 34（6）：694-702.

［11］ XIAO Yiming， SHAO Haidong， HAN Songyu， et al. Novel Joint Transfer Network for Unsupervised Bearing Fault Diagnosis from Simulation Domain to Experimental Domain［J］. IEEE/ASME Transactions on Mechatronics， 2022， 27（6）：5254-5263.

［12］ 武儀， 薩日娜， 裘樂淼， 等. 基于導軌多激勵關(guān)聯(lián)的轎廂水平振動預測方法［J］. 機電工程， 2021， 38（12）：1520-1528.

WU Yi， SA Rina， QIU Lemiao， et al. Car Horizontal Vibration Prediction Method Based on Guideway Multiple Excitation Correlation［J］. Journal of Mechanical& Electrical Engineering， 2021， 38（12）：1520-1528.

［13］ HE Kaiming， ZHANG Xiangyu， REN Shaoqing， et al. Deep Residual Learning for Image Recognition［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas ，2016：770-778.

［14］ WOO S， PARK J， LEE J， et al. CBAM：Convolutional Block Attention Module［C］∥Proceedings of the European Conference on Computer Vision（ECCV）.Munich，2018：3-19.

［15］ ZHU Yongchun， ZHUANG Fuzhen， WANG Jindong， et al. Deep Subdomain Adaptation Network for Image Classification［J］. IEEE Transactions on Neural Networks and Learning Systems， 2020， 32（4）：1713-1722.

［16］ 朱朋， 董紹江， 李洋， 等. 基于殘差注意力機制和子領(lǐng)域自適應的時變轉(zhuǎn)速下滾動軸承故障診斷［J］. 振動與沖擊， 2022， 41（22）：293-300.

ZHU Peng， DONG Shaojiang， LI Yang， et al. Fault Diagnosis of Rolling Bearings under Time-varying Speed Based on the Residual Attention Mechanism and Subdomain Adaptation［J］. Journal of Vibration and Shock， 2022， 41（22）：293-300.

［17］ QIU Lemiao， SU Guannan， WANG Zili， et al. High-speed Elevator Car Horizontal Vibration Fluid-solid Interaction Modeling Method［J］. Journal of Vibration and Control， 2022， 28（21/22）：2984-3000.

［18］ ZHU Yongchun， ZHUANG Fuzhen， WANG Jindong， et al. Multi-representation Adaptation Network for Cross-domain Image Classification［J］. Neural Networks， 2019， 119：214-21.

［19］ WANG Jindong， CHEN Yiqiang， FENG Wenjie， et al. Transfer Learning with Dynamic Distribution Adaptation［J］. ACM Transactions on Intelligent Systems and Technology（TIST）， 2020， 11（1）：1-25.

［20］ YU Chaohui， WANG Jindong， CHEN Yiqiang， et al. Transfer Learning with Dynamic Adversarial Adaptation Network［C］∥Proceedings of the 2019 IEEE International Conference on Data Mining（ICDM）. Beijing ，2019：19303062.

［21］ 胡向東， 梁川， 楊希. 基于時頻增強的滾動軸承少樣本故障診斷方法［J］. 計量學報， 2023， 44（1）：12-20.

HU Xiangdong， LIANG Chuan， YANG Xi. AMethod of Fault Diagnosis with Few Samples for Rolling Bearing Based on Time-frequency Enhancement［J］. Acta Metrologica Sinica， 2023， 44（1）：12-20.