基于領域對抗網絡的軸承故障診斷方法研究

于 龍

(瓦房店軸承集團有限責任公司，遼寧 大連 116300)

1 領域對抗網絡

DANN是由3部分構成的，這3部分分別是基于卷積神經網絡(CNN)的特征提取器Gf、故障分類器Gy和領域判別器Gd。為了實現一個領域的對抗，DANN在Gf引入Gd，并在他們之間增加了梯層反轉層。學習參數是特征提取器通過最大化領域判別器損失函數來實現的，領域判別器的參數是通過最小化損失函數來實現的。

在領域的對抗中，梯形反轉層的前向計算過程等于是恒等的變化，并且在誤差反向的傳播過程中改變了梯形符號，其中，Gf參數的優化會夸大判別器的誤差范圍，整個學習的過程相當于是一個博弈的過程，就看哪一個參數最終取勝。前者其實就是用來區分輸入特征性的Ds或者是Df。后者的學習是具有不受領域變化影響的特征的，這是一大優點。

2 網絡診斷方法的步驟

在實際的環境中，由于設備運行的環境十分復雜多變，進而導致待診斷的數據與模型的振動數據分布特征存在很大的差異，這就是訓練數據與測試數據不一樣，存在的差距有點大。我們在現實生活中通過儀器所收集到的數據在通常情況下的噪聲較多，由于采集環境和采集器械的影響，我們所采集到的數據一般是不完整的，且由于其維度較高我們提取重點信息較為困難，無法對其數據進行直接處理，在這種情況下需要對采集到的數據進行預處理，對其進行進一步的排序、篩選和審核，最大程度地減少干擾信息對重點信息的干擾。

詳細的運算步驟就是利用DANN進行故障診斷，其運算步驟是：首先是采集到設備在某些工況下的數據，然后利用這些數據進行訓練DANN的那兩個相關參數，之后再去診斷的樣本數據，對這兩個參數進行對抗訓練，建立相關的數據模型，最后將相關參數輸入到相關的模型中得到診斷結果。

3 試驗的驗證

3.1 試驗數據的簡介

試驗數據是來自國家軸承數據中心，并且數據的振動信號是由軸承的測試所得的。這種測試系統是由電動機、測功器和控制電路構成的，軸承都是單一的損傷，軸承的內圈、滾珠以及外圈都是由電火花機制造的。損傷的直徑分別是0.1778mm、0.3556mm、0.5334mm，一共有9種故障的狀態，這篇文章研究的是16通道的加速度傳感器固定在電機的輸出軸上所測的數據，采樣的頻率為12kHz。

3.2 模型設置以及實驗過程

為了保證實驗結果的準確可靠性，這次試驗進行了好多次，進一步保證了試驗的可靠性和可行性。這次試驗一共進行了3組試驗，其中A組作為源域訓練源，而B組和C組則是目標域測試源，分別記作A-B，B-C，第三組和第四組數據將作為B組的數據源而存在，A和C分別作為目標域數據源，分別是B-A，B-C，5和6組的數據將C作為源數據，記做C-1，C-B。

試驗的模型采用動量梯度下降的算法進行計算，源數據的大小為192，當模型的損失沒有明顯變化時就停止訓練。在領域對抗之間，目標數據的域數據也是192，學習的速率為0.001。特征提取器的卷積神經算法是在借鑒前人的經驗和結合時代的發展得出的，這是第一層寬卷積算法，故障診斷器和領域判別器進行訓練防止過擬合，故障分類器可以將這種狀態分為10多種，領域判別器是可以將輸出的結果作為訓練數據的，并且還可以對應兩種工況。

3.3 實驗結果

模型在每一個方面都是具有很高的診斷率的，這就表明受這兩種方法的影響比較小。

為了驗證該方法的可行性以及診斷結果的準確性，這篇文章在實際數據的基礎上，進行了相關數據的對比，進而驗證DANN在軸承故障方面是有意義的，并且準確度是有保證的。

該實驗測得的準確度與其他方法的準確度相比，沒有經過訓練的特征聚集性是很差的，不同故障的特征之間還是有重疊的，但是通過DANN學習的特征聚集性比較集中，同一種故障狀態的特征是有少數離散點的，并且他們之間也是沒有交叉的。這就表明了我們所提出的方法經過了領域對抗之后，學習的特征對領域變化變得不敏感了，并且還具備了故障識別能力。

3.4 與“傳統信號處理+機器學習”方法對比

本文采用偏度、峰值、峭度、歪度等不隨工況變化而發生顯著變化的特征值作為系統評價指標，并將其與傳統信號處理+機器學習的方法進行了對比分析，并利用KNN算法對試驗進行了診斷測試。

最終實驗結果表明，該實驗準確率達到了85%左右，使用基于域的網絡基于領域對策和分類優化的設備故障診斷方法選取特征值的穩定性相對較高，但是使用該方法的缺陷較大，每一組的實驗數據中均出現了偏離平均值較高的數據，其診斷結果準確率低，不具備參考價值。在與“傳統信號處理+機器學習”方法對比的過程中，我們可以發現，本論文所設計使用的基于域的網絡基于領域對策和分類優化的設備故障診斷方案方法較為優越，診斷的準確性更高，平均診斷率遠遠高于“傳統信號處理+機器學習”。傳統信號處理+機器學習難以實現識別所有的故障特征信號，這是其一大缺陷。本論文提出了面向故障數據的基于生成對抗網絡的故障診斷方法，采用數據轉圖像的預處理方法，并在公開的標準數據集上驗證了所提方法的可行性。本論文所提倡的基于域的網絡基于領域對策和分類優化的設備故障診斷方法具有通用性，該方法的故障識別能力遠遠高于傳統故障識別方法。

4 總結

軸承故障診斷的實驗結果表明，該方法提高了軸承故障診斷的效率。這種方法有2個優點：

(1)與其他的深度學習方法相比，這種方法是正確的野戰訓練的故障特征，并且能適應工作條件的變化，而且診斷準確率高。

(2)與“傳統信號處理+機器學習”方法相比，該方法提取的故障特征能保證所有故障具有足夠的敏感性和較強的普適性，所提出的方法不依賴于信號處理技術和專家經驗，適應能力強。